婴幼儿时期在人类大脑的发育过程中是最重要的时期,此时期的大脑发育快、可塑性强,而且婴幼儿脑部患病几率远远高于成人,因此探索婴幼儿脑部疾病的早期诊断方法有重要意义。现代医学影像技术已经成为临床诊断脑部疾病的一个重要手段。通过使用核磁共振MRI图像来对婴幼儿脑结构进行分割,是对婴幼儿脑结构进行结构形态定量分析,研究脑部发育以及疾病诊断的基础。深层脑结构包括海马体、胼胝体、杏仁核等。由于婴幼儿脑部深层结构还处于发育期,其灰度、形状信息与成人相比更加复杂且不规则,因此比成人脑结构分割更加困难。本文以海马体、胼胝体为例,在多图谱框架下,以字典学习为基础加入低秩分解方法深入研究了婴幼儿脑结构的三维全自动分割方法。本文的主要工作及研究成果有:（1）研究并实现了基于低秩分解的多图谱分割算法模型。对实验中用到的数据首先进行预处理,之后在字典学习算法模型的基础上提出了低秩分解的改进算法。在提取目标图像块与背景图像块之后,使用低秩分解后的图像块进行字典训练,使得字典更具判别性。该方法更全面的考虑了脑图像图谱的特异性部分,使得训练后的各个字典对脑结构的重构误差减小,提高了分割精度。（2）针对已有脑MR图像脑结构边缘模糊的特点,研究并实现了基于低秩分解改进字典学习算法,提出了将低秩向量引入Fisher判别性字典学习。引入低秩向量可以进一步增强字典的判别能力,该方法更全面的考虑了脑图像的局部信息,对脑结构边缘标签的判别能力具有较大的提升。实验表明,提出的改进算法对婴幼儿脑MR图像脑结构有很好的分割结果,能够利用图像自身信息对一般算法分割不理想的地方进行修正。（3）针对婴幼儿脑MR图像的对比度低、图像质量差的特点,提出了基于多模态低秩字典学习的多图谱融合算法。在字典构建阶段,使用脑核磁共振T1、T2图像共同构建字典,之后结合低秩字典学习的方法来进行字典的训练过程。使用多模态图谱图像可以对脑结构的分割进行指导与修正。多模态改进算法更进一步的提高字典的判别性,克服了图像对比度低的弊端,进一步提高了脑结构的分割精度。