近年来,脑疾病逐渐成为影响我国国民身体健康的一大隐患,据统计,每年我国有超过百万级国民因脑部疾病而死亡。随着医学影像技术的发展,磁共振（Magnetic Resonance,MR）成像因其高效性和安全性,被广泛应用在脑功能和脑部病变的检测中。脑MR图像成为深入研究和分析脑组织以及脑部疾病的重要媒介。其中对脑MR图像的分割作为后续脑图像分析的预处理环节,其分割效果直接决定了后续研究的结果,是对脑组织进行研究和临床诊断的关键步骤。因此,提出一种高效的脑MR图像分割方法是十分必要的。本文在深入学习现有脑MR图像分割算法的基础上,结合脑MR图像自身的特点,对模糊C均值（Fuzzy C-means,FCM）算法进行研究。FCM算法是一种可将图像中各像素点分配到两个或多个类别中的软聚类算法。FCM算法的模糊性使其被广泛应用在脑MR图像的分割工作中。但是该算法在分割脑MR图像时也存在易受噪声干扰、初始参数随机生成以及分割结果边缘信息缺失的问题。基于此,本文提出结合引导滤波和改进FCM的脑MR图像分割算法。首先将图像的纹理特征与灰度特征结合构成融合特征。然后综合考虑像素点的邻域密度和距离关系自适应选取初始聚类中心。之后使用融合特征作为算法聚类迭代的特征约束。最后,使用引导滤波算法对聚类后的像素进行修正处理,弥补损失的边缘细节信息。本文包括以下两个创新点:（1）针对基于FCM的脑MR图像分割算法存在噪声敏感性和初始聚类中心随机性的问题,提出融合Tamura纹理特征的改进FCM脑MR图像分割算法。该算法首先将图像的Tamura纹理特征与灰度特征进行线性加权融合构成融合特征,增加图像锐度;然后利用像素点的模糊邻域密度和像素点间的距离关系自适应选取初始聚类中心;最后使用融合特征作为像素点间相似性计算的特征约束,对图像进行分割。该算法在提高算法抗噪性和分割精度的同时,减少迭代次数,有效降低算法运行耗时。（2）针对模糊聚类算法分割脑MR图像存在边缘细节信息缺失的问题,提出一种基于引导滤波算法的像素修正方法。该方法以原始图像作为引导滤波算法的导频信息,将分割图像获得的最优隶属度进行拆分,对拆分后的隶属度矩阵进行边缘增强和像素点修正处理,进一步提高了算法的分割精确度。实验用本文所提算法对模拟脑MR图像和真实脑MR图像两个数据集进行分割,并从算法抗噪性、分割准确性和运行效率三个维度分析其性能。实验结果表明,在噪声和灰度不均匀水平较高的模拟脑MR图像中,本文算法的分割精度能够达到90.73%;在真实脑MR图像中,本文算法的分割精度达到了92%。本文所提算法能获得与聚类结果更为接近的初始聚类中心,在处理噪声和灰度不均匀图像时表现出更好的鲁棒性,能在减少算法运行耗时的同时获得较高的图像分割精度。综上所述,本文所提算法能够快速有效地实现对脑MR图像的精确分割。