海马位于大脑颞叶边缘，影响着空间定位和记忆等功能。同时，研究表明海马的体积变化与多种精神神经疾病有关，例如老年痴呆症、颞叶癫痫、重度抑郁症、精神分裂症等。因此，海马体积的研究对探索各种精神神经疾病具有重要意义。因此，海马体积的研究对探索各种精神类疾病具有重要的意义。研究海马体积需要从大脑图像中对海马进行精确的分割，是计算和分割海马体积的关键。目前多采用磁共振对人体大脑进行成像，磁共振图像可以无创伤的为脑组织提供高分辨率的三维图像信息，是研究大脑各软组织的重要数据。因此基于磁共振图像数据的图像分割方法是当前的一个研究热点。基于图谱配准的分割方法是结合了图像的先验知识，利用已分割的图像(模板图像或者金标准)配准到待分割的图像上，寻求目标图像与模板图像之间的变换参数。利用变换参数将模板图像的海马映射到目标图像上，实现了海马的分割。但是考虑到人体解剖结构的差异，单图谱分割很难适应复杂的情况，很难得到理想的分割结果。而且，海马的体积仅为2到3毫升，与周围组织很难区分。为了实现海马的精确自动分割，本文提出了基于ROI多图谱配准的海马分割算法。本文算法利用多个海马图谱图像作为模板与待分割图像进行配准，将配准参数应用到模板图像的海马分割图像上，得到多个初始分割结果，然后通过图像融合算法将分割结果图像进行融合，得到最终的分割结果。其中图像配准和图谱融合策略是两个关键点。对于每个图谱图像，都与待分割图像进行两次配准，得到一个较为精确的初始分割。对于融合策略，主要使用了加权选择、STAPLE和COLLATE多个融合策略，得到最终的分割结果。在实验中针对海马的特点，选用相似性测度作为海马分割的评价标准，利用COLLATE融合算法的分割结果相似性测度得分最高，优于单图谱配准的分割结果，说明了本文提出的海马分割算法的有效性。