医学图像通常由感兴趣区(ROI)和背景区构成，相对于背景区域来说，感兴趣区包含重要的诊断信息，尽管它在整幅图像中所占的面积也许并不大，但对于医生诊断、临床治疗和病理分析具有重大的意义，因此其错误描述的代价非常高。这促使了医学图像ROI的提取成为迫切的需要。本论文以基于模糊连接度的医学分割为研究重点，详细地分析了其原理和算法。本论文的工作和创新性成果主要在以下几个方面： 1．系统分析了医学图像分割技术的国内外研究现状。简单介绍了传统的分割方法和基于数学形态学、神经网络、分形理论、小波、统计学、模糊集等特定理论工具分割方法的理论基础、算法流程、优势弊端、相互关系等。 2．研究了基于模糊连接度和基于相对模糊连接度分割算法的实现流程，并对二者进行描述和比较。 3．在传统的模糊连接度算法中，需要遍历所有始于种子点，止于目标点的路径中两两接点的相似度，这一过程十分繁琐。针对这一问题，对模糊连接算法进行了分析和改进，提出了一种改进的基于相对模糊连接度的快速分割算法，与传统算法相比，可在不降低分割效果的前提下，使运算速度得到提高。