核磁共振成像作为一门新兴的影像学检查手段,能够非常准确地显示脑部解剖结构,确定或排除绝大多数病变组织,在医疗诊断上得到了广泛的应用。随着科技的发展,人们对成像的要求以及图像的分辨率都越来越高。因此,研究精度高、速度快、临床应用效果好的磁共振图像分割技术是当前工作的重点。神经网络方法因其具有快速的并行处理能力和较强的学习能力,在核磁共振图像处理领域占据着重要的地位。本文主要研究了自组织特征映射神经网络在脑部MRI图像分割方面的应用问题。本文在深入研究国内外图像分割算法研究现状的基础上,讨论了影响图像分割的技术因素,对基于SOFM的聚类分割算法进行了研究与比较。针对SOFM算法对高分辨率图像处理速度慢、分割精度不理想等问题,提出了一种基于多小波分析与SOFM的图像分割算法MWSOFM。该算法以传统的SOFM聚类算法为基础,以实现对高分辨率的MRI图像的准确快速分割为目标,采用了多小波变换对图像进行分解,然后利用SOFM算法对得到的小波系数金字塔进行逐层聚类,最终得到分割结果。针对MRI图像的噪声较多、传统的SOFM必须预置参数、训练过程中网络结构固化、不能灵活调整及多小波需预滤波等问题,提出了一种基于改进的TGSOM图像分割算法BTSOFM。该算法在改进的TGSOM算法的基础上,使用平衡多小波对MRI图像进行去噪,再使用改进的TGSOM算法对小波系数金字塔进行逐层聚类,最后得到分割结果。对MRI脑图像的仿真实验表明,MWSOFM算法及BTSOFM算法都加快了分割的速度,提高了聚类精确度,分割效果得到明显改善。