医学图像分割是医学图像研究的热点问题之一。尽管目前的分割方法达到了一定效果,但是以往的分割技术多是基于传统统计学理论的方法和样本数目趋于无穷大时的渐进理论,在对待高维特征、样本数较少等问题中很难获得好的效果,同时它们的推广能力也差。而近年来最小二乘支持向量机的理论和应用发展迅速,取得了良好的效果。最小二乘支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小化原则基础上,它是根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷,有良好的推广能力。本文将最小二乘支持向量机应用于MR脑图像的分割。采用加拿大麦吉尔大学的BrainWeb模拟脑部MR不同噪声级别的图像进行实验,验证了最小二乘支持向量机对不同噪声级别的MR脑图像均具有良好的分割性能。在进行特征选择时,根据MR脑图像的特点,提出了一种对两种区域的像素特征取平均值的区域选择方法。首先,分别提取5×5圆形区域和7×7扩圆形区域的像素特征包括纹理特征和灰度特征两部分；然后,取两者的平均值作为待输入的特征向量。最后以此向量为基础建立样本模型,对目标进行分类处理,完成对核磁共振脑图像的分割。通过实验分析训练样本数目对分割结果的影响,验证了最小支持向量机方法在小样本下的应用特性。传统统计学习方法寻找的是样本数趋于无穷大时的最优值,而支持向量机方法得到的是有限样本下的最优解,其推广能力优于传统的学习方法。将最小二乘支持向量机分割方法与其他分割方法进行比较,显示了最小二乘支持向量机分割方法的优势。