对磁共振脑图像中的脑组织进行分割是对脑组织进行定量分析的关键步骤。MR脑图像中不同的脑组织(灰质、白质、脑脊液)互相混迭在一起而没有明显的边界,MR成像过程中形成的伪影比其他医学成像方式多得多(如化学位移伪影、运动伪影、磁敏感性伪影等),磁场的不均匀性也会造成成像的偏差。这些因素使得要精确分割出不同的脑组织非常困难。本文针对脑组织图像分割问题进行了研究。首先将神经网络应用于磁共振图像分割技术研究中,采用局部刺激全局抑制神经元振荡网络模型对脑组织图像进行分割,结果同传统的阈值分割结果进行对比。对脑组织图像进行预分割工作,目的是剔除非脑组织,保留大脑结构。提出改进的模糊自组织神经网络模型(IFKCN),对原有算法进行两点改进,进行模型性能分析。应用模型对预分割后的脑组织图像进行细分割工作,目的是分割出白质,灰质、脑脊液等脑局部组织,在分割的过程中对网络的关键参数进行研究。本课题的研究工作和创新主要包括以下几点:(1)对磁共振图像的神经网络算法进行研究,采用局部刺激全局抑制神经元振荡网络模型进行脑组织图像分割,通过与传统的阈值分割结果进行对比证明其算法优越性。(2)对颅脑图像进行预分割工作。提出基于区域生长法和基于边界跟踪的大脑边界线提取方法,通过将结果进行比对证明区域跟踪边界提取算法更具稳健型。(3)对原模糊神经网络学习算法进行两点改进:隶属度更新函数的调整,引入调整系数。提出一种改进的模糊Kohonen自组织神经网络模型(IFKCN)。通过实验进行模型性能分析证明其优越性。(4)应用改进后模型对脑组织图像进行细分割工作,给出改进前后网络迭代次数和收敛速度对比证明其优越性。对网络关键参数进行研究,提出兼顾单个像素以及邻域像素信息的输入矢量设计,引入聚类有效性函数评估进行聚类个数选择,给出实验结果。