医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助技术等医学研究和实践领域有着广泛的应用和研究价值。目前,多数前沿的图像分割算法在特定的条件下能够取得优异的分割表现和准确度,却难以克服模型自身对初始条件、参数设置和图像噪声的敏感性。因此,本课题针对上面的这些方法中存在的不足,提出具有一定创新性和进步性的模型。在基于区域的分割算法中,区域可伸缩拟合模型能够有效分割灰度不均匀的图像,但表现出对初始轮廓线和参数的敏感性。在基于聚类的分割算法中,相干局部强度聚类模型可以同时对图像进行快速分割和偏磁场校正,但表现出对图像噪声的敏感性。因此,本文提出一种新的带有图谱校正项的分割模型,该模型充分考虑到区域灰度拟合和局部灰度聚类这两种方法各自的优势和不足。具体的,新模型定义一种新的图谱能量项,它由聚类模型的分割结果转换得到。我们将新定义的图谱能量项添加到原有区域拟合模型的能量泛函,会得到新模型的能量泛函。图谱能量项的加入能够对水平集函数的演化起到约束和校正的作用,这不仅能加快能量泛函极小化的速度,还能保证分割结果的准确性。实验结果既从直观上对现有模型和新模型的分割表现进行定性的对比分析,又使用一些常见的相似性度量来对分割准确度进行定量的分析,以此来说明我们新建的模型无论是分割准确性还是对初始条件、参数和图像噪声的鲁棒性,都有较大程度的提升。在基于图谱融合的分割算法中,无论是全局策略中最基本的多数投票法,还是局部策略中运用广泛的加权投票法,都只围绕着图谱图像和目标图像或者图谱标签结果之间的度量关系来对图谱标签进行融合,而没有挖掘和使用目标图像自身的信息。特别的,图像噪声给配准结果带来的误差会传递到标签选择和融合过程,使得估计的分割结果准确度和可信度大大降低。因此,本文提出一种基于目标图像灰度特征的图谱融合模型来进行图像分割。具体的,我们引入一种基于图像强度差异性的特征信息。这种特征记录了目标像素点各个方向上的灰度变化特征,以此来预测此像素点为平衡点或者非平衡点的概率。平衡点和非平衡点的检测能够用来消除图像中存在的噪声点所带来的影响。进一步,新模型以基于选择和迭代方法的表现水平估计机制为基础,将其图谱标签结果和预估的分割结果之间的相似性度量作为全局权重,再结合由图像强度差异性导出的概率特征作为局部权重进行最终的图谱标签融合。实验结果既从直观上对现有模型和新模型的分割表现进行定性的对比分析,又使用一些常见的评价准侧来对分割准确度进行定量的分析,以此来说明我们新建的模型无论是分割准确性还是对配准结果、图谱数量和图像噪声的鲁棒性,都有了较大程度的提升。