模糊C均值(FCM)聚类分析作为非监督模式识别的一个重要分支,在模式识别、数据挖掘、计算机视觉以及模糊控制等领域具有广泛的应用。该算法是一种基于目标函数的聚类算法,有着深厚的数学理论基础而且设计简单,解决问题的范围比较广,同时以该算法为基础也形成了一大批基于其他原型的FCM算法。但该算法也存在着许多亟待解决的问题,比如：需要人为定义聚类原型参数、聚类结果容易陷入局部极值点或鞍点、大数据量下算法耗时长、对特殊类型数据无法直接处理等,因此FCM聚类算法也有待于进一步改进。本文在众多的研究成果基础上,针对FCM聚类算法存在的不足,进行了较为深入的研究。基于解靴带法、样本的统计特性和核函数等理论,分别提出了两种改进的FCM聚类算法,并根据香农信息熵和模糊变差理论,提出了一种新的聚类有效性指标来评价模糊聚类的划分结果；另外,通过考虑邻域像素的影响和设计权值的方法,提出了一种可应用于含噪图像分割的加权FCM算法,同时对于较复杂的图像,还通过FCM算法的有效性函数来初始化聚类类别数,优化了分割模型；最后,将原FCM算法和神经网络算法相结合,并用于车型的分类设计中。实验结果表明,本文所改进的算法是可行的,其有效性函数也有良好的分类性能。