医学图像分割是模式识别与其他医学图像处理问题，例如特征量化、特征配准、三维重建等的前处理技术，并可为临床诊断和辅助治疗提供有力的支持。本文主要针对脑部MRI图像进行分割研究，研究内容主要涉及到对正常脑组织的分割问题。理想的脑部MR图像应该是分段常量图像，但是在核磁共振成像的过程中，存在电子噪声、偏移场失真与部分容积效应，因此这种理想的分段常量属性通常遭到破坏。又由于人体解剖结构个体差异比较大，临床应用对医学图像分割的准确度和分类算法的速度要求较高，目前虽然已经有很多的分割算法，但是远远没有达到完善。模糊C均值算法（Fuzzy C-means，FCM）是目前MR脑部图像分割算法中比较常用的算法，传统的FCM算法仅仅利用了图像的灰度信息，而没有考虑图像相邻像素间的相关性，没有利用图像的空间信息，分割含有噪声污染的图像时效果不是很好。本文在对传统的FCM算法进行详细介绍后，介绍了三种引入空间信息的方法，并对其中的一种算法进行了改进，这些方法在提高图像分割精度和鲁棒性等方面具有显著效果。本文首先对医学图像分割的现状和核磁共振图像的基本知识做了详尽的介绍，然后在介绍标准的模糊C均值算法原理，并针对算法的缺点介绍了四种前人改进的比较经典的算法之后，重点介绍了两种基于隶属度平滑的方法，一是将待处理像素的邻域像素隶属度的加和作为空间约束来影响像素的隶属度的值。二是在前一种算法的基础上进行改进，对空间函数进行改进，引入一个控制参数，即若邻域像素判断为噪声点或是边缘点，则此像素不参与到空间约束中来影响待处理像素的隶属度。本文对后一种算法的控制参数又进一步提出了改进，认为待处理像素的邻域像素对其的影响程度是与两者之间的距离有关的，距离越远影响越小，距离越近影响越大。最后本文介绍了一种广义空间信息的模糊C均值算法，空间信息直接加到距离函数中，通过对距离函数的改变来间接影响隶属度函数，将该算法与传统的FCM算法和加入空间约束的模糊C均值算法进行比较，算法的性能高于其他两种算法。