磁共振(Magnetic Resonance,MR)成像技术作为现代医学成像技术中的重要组成部分,由于它的非入侵性、高对比度等特点,在临床医学方面的应用需求日渐提升。MR脑部图像分割主要是对脑组织进行划分,即将MR脑部图像分为白质、灰质和脑脊液等组织部分,这为医学图像配准、三维重建和可视化提供了基础。但是,MR图像存在部分容积效应、灰度不均匀、噪声等缺陷。因此,在实际应用中,脑部MR图像的分割难以得到较高的精准度。据此,本文以经典的模糊C均值聚类算法为基础,针对MR医学图像存在的缺陷,对算法提出一些改进,并且研究了脑部纤维追踪及可视化等问题。具体来讲,本文主要做出了以下研究:首先,针对经典的FCM(Fuzzy C Means)图像分割算法空间信息缺失、精准度低、噪声敏感等问题,提出一种结合核函数改进的空间模糊聚类(KSFCM)算法分割脑部MR图像。该算法首先将图像样本空间内的元素通过核函数映射到高维的特征向量空间,提高了图像分割精准度;利用MR图像的正态分布特性提出正态分布的空间信息函数,并将该空间信息函数和隶属度函数相结合,有效地解决了图像噪声干扰的问题。大量实验结果表明KSFCM算法分割脑部MR图像更精准,更高效。其次,针对传统FCM算法初始聚类中心随机选取、目标函数收敛较慢等缺点,本文提出一种新的基于KSFCM算法的人脑DTI图像分割算法(C-KSFCM)。算法首先将DTI数据转成二维标量图像,然后对数据进行降采样处理以减少计算量,基于降采样后的数据使用密度峰值算法选取类中心点,最后将选定的点作为KSFCM算法的初始聚类中心对人脑DTI图像进行分割。最后,针对二维磁共振图像不能详细表达脑部信息的缺点,本文利用弥散张量数据具有水分子弥散可表示纤维束走向的特点,使用基于张量域的三种纤维追踪算法对人脑DTI数据进行纤维追踪并对比其结果,并将三维模型直观的显示出来,获取大脑内部神经纤维的结构和走向,可以较好的辅助临床脑疾病的诊断治疗,并且为后续脑组织研究奠定基础。