图像分割就是根据图像中一个或多个特征把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。它是计算机视觉中非常重要的研究内容，是图像分析处理的关键。图像分割结果的质量直接影响后续分析、识别和解释的质量。由于各种因素的影响，图像本身存在不确定性和不精确性，而模糊集合论及由此而发展起来的模糊信息处理技术，对处理带有模糊不确定性的事件及对不精确知识的描述具有得天独厚的优势。目前为止，基于模糊理论的图像分割研究已取得一系列有效的成果。但是，在众多的研究中也存在着一些缺憾和需要进一步探讨之处。　　本文以改进和完善已有的方法和算法为出发点，对基于模糊理论的两类主要图像分割算法--基于模糊熵的图像阈值分割和基于模糊聚类的图像分割进行了深入的研究。　　针对传统模糊熵图像阈值分割对噪声敏感的缺点，本文利用像素空间信息，建立了基于灰度和空间信息的二维图像模糊熵，并采用遗传算法对二维图像模糊熵的各个参数优化求解，根据最大熵准则，确定目标和背景的最佳分割阈值。　　对于图像单特征多阈值分割，本文通过对模糊划分形式与模糊熵表达式之间的内在联系的研究分析，给出一种合理的划分形式和隶属度函数，并以此为基础简化了模糊划分熵的表达形式，给出了改进的基于模糊划分熵的阈值选择算法。改进的算法巧妙地避开了求解非线性优化问题，采用精确简单的搜索策略，递归地确定描述模糊集的参数，大大降低了算法的计算复杂性，提高了阈值选择的精确性。　　针对经典FCM聚类图像分割需要事先指定分类数目、对初始化敏感和易收敛到局部最优的缺陷，本文采用一种改进的聚类有效性函数自动确定最佳聚类数，采用遗传算法对聚类中心进行优化并执行FCM聚类算法。改进的遗传FCM聚类算法，利用遗传算法全局寻优的特点和FCM迭代求解的局部搜索能力，提高了收敛速度并改善分割效果。