脑部疾病已经逐渐成为危害人类生命健康的头号杀手,而三维影像作为疾病诊断的有效工具,改进和实现对三维图像的自动分割成为当前的研究热点。本文以医学图像处理方面应用较广的C均值模糊聚类（Fuzzy C-means Clustering,FCM）为基础,综合论述在其基础上已有的改进方法,针对存在的问题和缺点提出一种适用于三维医学图像分割的自适应三维邻域加权图像分割方法。首先,通过对FCM算法原理的研究,分析和阐述其存在的因缺少邻域信息的使用而对噪声敏感、结果容易收敛于局部最优及参数无法自适应等缺点。通过研究已存在的邻域加权算法,指出其存在对于邻域信息利用不充分以及没有赋予邻域区间单独的隶属度的缺点,提出一种改进的目标函数,并依据改进的目标函数给出新的聚类中心计算方法,构造出完整的邻域加权算法,通过对邻域信息的利用增加对噪声的抵抗能力。其次,将算法扩展到三维,提出一种新的三维邻域加权图像分割方法,并在此基础上针对算法的精度和稳定性进行改良。由于聚类的初始中心会很大程度上影响算法的聚类效果,这会在一定程度上降低分割的精度,通过研究当前存在的初始聚类中心的选择算法以及论述各种算法的优缺点对当前存在的基于密度函数的初始化中心选取方法进行改进,从而保证选取到的初始中心是最优解。结合多模态MRI融合方法,提出三维邻域加权算法。最后,为解决本文提出的三维邻域加权图像分割算法仍然存在的加权指数自适应问题以及局部最优问题,采用综合学习的粒子群算法对存在的问题进行改进,使三维邻域加权算法的单点模糊加权指数与区域模糊加权指数可以自适应的调整,配合综合学习算法的全局寻优能力,进一步提升了算法的精度。最终综合上述研究,提出一种自适应三维邻域加权图像分割方法。