图像分割是图像处理的基础，分割质量直接影响到其后中高层处理的成败。图像软分割由于其良好的分割效果而被广泛应用。基于模糊聚类和基于模糊连通度的图像软分割算法是两种常用的图像软分割算法。基于传统模糊聚类的图像软分割算法都需要计算聚类中心，然而事实上很多数据并不存在真正的聚类中心，导致分割出现敏感于噪声点等问题。本文提出一种基于无需聚类中心的图像软分割算法。不同于传统的聚类，无需聚类中心聚类是模糊C均值的（FCM）的改进，它不再需要计算聚类中心，通过判断样本点与聚类间的模糊相似性来确定样本所属类别，因此可以处理任意形状的数据，鲁棒性强。本文提出的新方法中，先用均值漂移法对图像进行初分割，然后用无需聚类中心聚类进行区域合并最后得到分割图。基于模糊连通度的图像软分割算法是同时考虑空间上的毗邻关系和特征信息。本文定义了一种引入邻域密度指标（NDI）的新的模糊连通度，NDI能真实地反映数据点的稠密信息。本文提出的新的基于模糊连通度的图像软分割方法能更合理地考虑图像的空间信息，克服了传统的基于模糊连通度的分割方法的某些缺点，比如对噪声点敏感，分割效果很大程度上取决于所选择的毗邻关系等。此外，新方法可以人工指定种子点，却并不依赖于人工选取，也可以是自动选取种子点完成分割，完全不需要人工参与。对自然图像数据库中的大量图像进行实验，实验结果显示本文提出的基于无需聚类中心图像分割和一种基于新的模糊连通度的图像分割都可以较为准确的分割目标。