图像分割技术能保证数字图像后期处理有效进行，在图像处理、分析和理解占有十分重要的地位。而目前用于图像分割的算法中比较先进的是谱聚类算法，与常见的聚类算法相比，它具有能够在任意形状的样本空间聚类，并收敛于全局最优解的优点。而本文就是在对上述两种算法研究的基础上，将谱聚类算法与模糊c均值聚类算法结合，提出一种新的模糊谱聚类算法，并将此算法应用于图像分割中，并验证其优越性。谱聚类算法进行图像分割时，常采用Nystrο m逼近算法，因为传统的谱聚类算法计算大规模矩阵（如图像矩阵）时，硬件往往难以支撑。该算法利用构造相似度矩阵来分割图像，因此如何构造一个对图像信息表达更充分的相似度矩阵，对算法的影响很大。本文采用非正定核函数构造相似度矩阵，求出该相似度矩阵的特征值矩阵和特征向量矩阵，并按照一定的规则将特征向量矩阵进行改进，最后对这一矩阵进行分割。通过对数据集的分割，用客观标准验证本文改进的方法能够有效提高算法准确率，通过对图像目标的分割，分割后的图像也能够显示出算法的效果有所提高。为了进一步提高算法的准确率，本文采用模糊c均值算法来替代原先的k均值算法。本文将谱聚类算法与模糊c均值聚类算法结合，形成了基于模糊谱聚类的图像分割算法。该算法易于实现，能够更准确的定位边缘，提高了原算法的准确性，与先前研究学者的分割结果对比，不论在算法的有效性和应用范围的广泛性方面都更具有优势。