在脑图像分割中，噪声或异常值的干扰往往会使得图像的质量下降。而传统的模糊c均值算法存在一定的缺限，容易受初始值的影响，这给医生准确识别和提取脑组织带来很大的麻烦。针对这些问题，提出一种基于用马尔可夫模型构建的图像像素点邻域的改进模糊c均值图像分割方法。首先，用遗传算法（GA）确定初始的聚类中心；然后，改变目标函数的表达方式，通过在目标函数中添加修正项来改变隶属度矩阵的计算方式，并用约束系数对其来调节；最后，由马尔可夫随机域来表达邻域像素的标号信息，并利用马尔可夫随机场（MRF）的最大化条件概率来表示像素的邻域，增强了抗噪性。实验结果显示，该方法拥有较好的抗噪性，可以降低误分割率，在对脑图像分割时具备较高的分割精度。分割后的图像平均精度可达：JS（Jaccard Similarity）指标为82.76%，Dice指标为90.45%，Sensitivity指标为90.19%；同时，对脑图像边界处的分割更加清晰，分割后的图像更加接近于标准分割图像。