骨关节炎早期诊断很重要，其临床表现通常为软骨退行性变性和消失，通过对关节软骨的成像及图像处理可以捕捉软骨的变化并实现早期诊断。关节软骨图像的自动分割是图像处理的重要环节，具有客观性、可量化等优点。遗憾的是，目前很少公开报道关于关节软骨图像的自动分割方法，且现有的方法大多采用单一方法，效果难以令人满意，因此急需要研究高效的关节软骨图像自动分割方法。基于以上分析，以膝关MRI序列为研究对象，综合利用多种图像分割算法，旨在实现一种高效的关节软骨图像自动分割方法，精确、快速地分割出软骨组织，便于为临床医师计算软骨组织厚度和体积，观察不同时期厚度和体积的变化提供有利依据，从而进行诊断和治疗。关节软骨图像存在形态纹理复杂、噪声严重、软骨与非软骨之间边界模糊等问题，影响了分割效果。为了解决这些问题，主要做了如下主要工作：①首先研究并提出了改进自适应Canny边缘检测算子，通过计算每幅图像的梯度值经过反复迭代可得出各自的最佳阈值；然后为了解决边缘提取中出现的漏检和过检问题，本文提出了采用PSO-SVM来对边缘进行分类，从而较好的保留软骨边缘，实现了软骨的精确定位。②基于区域灰度差的新相似性准则，解决了传统的区域生长算法仅仅依靠图像的局部性质确定固定的生长准则效果不佳的问题；此外，采用PSO对新的相似性准则中的调整系数进行了优化，提升了改进的区域生长算法的性能；最后组织实验将本文提出的改进的区域生长算法与其他相关分割算法进行对比分析。本文研究成果将为关节软骨图像自动分割提出了新的解决思路，从而为推动基于影像的关节炎早期诊断提供新的理论基础和方法依据，具有一定的理论价值和实际意义。