医学图像具有信息量大和无创伤等优点，在临床诊断方面已显示出独特的魅力。随着医学图像的三维重构、定量分析和可视化的需求越来越多，这些都需要更加精确的分割结果。因此，医学图像分割成为当前医学图像研究领域的一个热点。本文主要研究了神经网络技术在医学图像分割中的应用问题。医学图像在成像时不可避免的受到噪声污染，从而影响图像分割的精度和结果，因此，去噪声算法研究是图像分割的必要前提。传统方法在去除噪声的同时，往往也会造成细节信息的损失，使得图像模糊。因此，本文提出了利用小波变换、中值滤波对含有高斯和脉冲混合噪声的医学图像进行去噪的一种新方法。实验结果表明：这种方法能够有效改善图像质量，较好地保持图像视觉效果，降低图像噪声。Kohonen自组织特征映射(SOM)是一种二层的前馈竞争型学习网络，并且作为一种竞争型学习聚类算法广泛应用于医学图像图像分割中。然而，大多数的医学图像在不同组织的过渡区域常常存在灰度值交叠现象，因此，本文将模糊的方法和自组织特征映射相结合来克服这个问题。对于图像数据而言，领域像素间存在着较强的相关性。为了获得更加有意义的图像分割，我们提出了多尺度的、具有空间自适应性的模糊自组织特征映射网络[MSFSOM]对医学图像进行分割，此方法考虑了像素间的空间关系，并且多尺度的处理方法减少了噪声对分割的影响和分类模糊的问题。而且，在分割过程中既考虑了图像的局部信息，又兼顾了全局信息。为了加快收敛速度，我们对该方法进行了改进，提出了增强模糊自组织特征映射。本文最后对全文的工作做了总结和展望。