脑疾病是威胁人类健康的常见病之一,如何借助于医学影像检查,定性和定量地分析脑组织,进而分析脑组织与脑疾病之间的关系已经成为研究的热点。核磁共振成像技术(MRI)对脑这样的软组织特别有效,因而脑MRI在临床上得到了大量的应用。准确分割脑组织结构是进行脑结构分析、三维可视化等后续处理的前提,可以提高脑疾病诊断的可靠性和治疗方案的有效性。本文对目前国内外多种图像分割方法进行了综述,针对脑MR图像分割中存在的问题,发现基于模糊聚类理论的分割方法具有诸多优点且具有巨大的应用前景,因此,本文将目标集中在对模糊聚类算法的研究上,主要的工作和研究成果如下：针对受噪声影响的脑MR图像分割,提出了一种结合马尔可夫随机场(MRF)改进的FCM算法-——α-MFFCM算法。该算法充分利用了MRF模型引进空间信息,克服了FCM没有考虑空间信息而导致抗噪性能差的缺点。根据不同像素类型,提出了一种自适应权值控制FCM与MRF的结合权重,使二者结合更加合理。仿真实验表明,本文方法在抗噪方面优于现存的一些模糊聚类算法。针对灰度不均匀的脑MR图像分割,提出了一种基于全局信息改进的BCFCM(Bias-Corrected FCM)算法-——GBCFCM算法。全局信息的引入使得分割目标函数受邻域区域信息和全局信息同时控制。该算法继承了BCFCM算法在灰度不均匀图像分割中的优势,同时,克服了BCFCM算法没有考虑全局信息而不能准确分割偏移场较重区域和图像边缘区域的缺点。仿真实验表明,本文算法在分割灰度不均匀图像方面优于现存的一些模糊聚类算法。针对噪声和偏移场同时存在的脑MR图像分割,提出了一种基于非局部信息(Non Local)改进的CLIC(Coherent Local Intensity Clustering)算法-——CLICNL算法。非局部区域信息的引入使得分割算法的目标函数受局部区域信息和非局部区域信息同时控制。该算法准则函数的空间连贯性确保了偏移场的光滑性,非局部区域项确保了有效的抗噪性,使该算法同时具有抗噪和灰度不均匀校正的能力。仿真实验表明,本文算法拥有很强的抗噪和偏移场估计能力,分割精度优于现存的一些模糊聚类算法。