图像分割是医学图像处理中的关键技术之一，也是三维重建、定量分析等后续操作的基础，分割的效果直接影响到三维重建的速度和重建后模型的视觉效果。然而，由于医学图像本身的模糊性和复杂性，以及医学影像设备（如CT、MRI等）成像技术上的特点，使得医学图像存在一定的噪声，图像中目标物体部分边缘也有可能局部不清晰，这导致医学图像分割成为一个经典的难题。 本文从图像滤波的角度入手，结合医学图像分割方法，设计出了相应的改进算法。首先，由于各向异性扩散算法是一种选择性的非线性滤波算法，根据图像内容的不同而采取不同的平滑方式，但是它对医学图像的细节边缘特征保持效果不太理想。针对这一问题，本文提出一种基于形态学的各向异性扩散滤波算法。设计了一种自适应加权的多尺度形态滤波来改进扩散系数，并引入K值估计法，从而达到去除噪声和增强边缘的双重效果；同时采用一个简单实用的迭代终止准则，避免了迭代次数的设定。 其次，分水岭算法是一种应用广泛的图像分割算法，它可以快速、准确地获取图像的边缘，但易受噪声和量化误差的影响，导致过分割现象。本文采用上述改进后的各向异性扩散算法对原始图像进行预处理，并引入多尺度的形态梯度图像作为分水岭变换的参考图像，来突出图像中物体的边界轮廓，平滑具有均匀亮度的区域，同时定义一个基于边界平均灰度和面积的区域合并准则，对分割后的区域进一步合并。 最后，通过实验对上述算法进行了验证，并与已有算法进行对比分析。实验结果表明：改进后的各向异性扩散滤波算法，在提高信噪比的同时又可保留重要的微细结构，可以较好地满足医学图像的使用要求；本文改进的分水岭分割算法能有效抑制过分割，同时具有较强的抗噪声性能，得到的分割结果满足医学图像建模的需要。