脑部疾病作为全世界十大致命疾病之一无时无刻不威胁着人类的生命和健康,早期的诊断和治疗能很大的提高患者的存活率。核磁共振成像(Magnetic Resonance Imaging,MRI)以其高精度、高速度、高分辨率、非损伤性影响等特点逐渐成为脑部疾病的主要诊断技术,使得脑核磁共振图像分割也成为了医学图像分割领域的热点和难点,其效果直接影响着后期病理分析和临床治疗。针对MR图像的特点,本文对MR脑部图像分割相关问题进行了研究,具体内容如下：(1)图像预处理。首先,对图像进行直方图均衡化、图像平滑和锐化等预处理来消除图像中无关的信息,增强有关信息的可检测性。然后,分析了偏移场与信息熵之间的关系,采用Legendre多项式基函数来拟合偏移场并引入遗传算法求解基函数,从而得到了精确的偏移场,很大程度地提高后继图像分割的精度。(2)通过对FCM和MRF算法的研究和分析,提出了一种模糊MRF模型。该模型结合两种算法的优点,既利用图像空间信息作为先验知识,又能够处理好MR图像的模糊性,可以高效、无监督的精确分割脑组织,并对噪声有很好的抑制作用。(3)研究了经典C-V模型的分割算法,并提出了基于水平集演化方程的改进C-V模型。利用平方差构造水平集演化方程,使其成为常微分方程,简化了运算量,在内部能量函数中加入惩罚函数,从而使分割可以自动初始化,提高了该模型的分割效率。(4)将阈值化分割与Ncut准则相结合,提出一种改进的Ncut算法。在图权计算中增加了该像素点与其邻域的空间相关信息,提高了算法的抗噪能力。采用基于灰度值的权值矩阵代替基于图像像素个数的权值矩阵来描述像素之间的关联,提高了分割效率。