磁共振成像(Magnetic Resonance Imaging,MRI)已经成为当前对人体进行功能、病理和解剖研究的重要辅助手段。准确的分割医学MR图像在病理生理分析、关键生物医学指标获取以及组织生物物理模型构建等方面具有重要意义。然而在实际应用中,由于受射频场不均匀性、不同软组织之间的差异性和部分容积效应等影响,MR图像质量退化严重,表现为图像灰度均匀性变差和不同组织结构间像素灰度分布范围的混叠,增加了对MR图像精细结构进行分割的难度。另外,图像的低对比度,软组织结构显著的多样性和弱边缘,也给分割带来了困难。所有这些问题,使得对MR图像进行自动鲁棒的精确分割仍然是一个极具挑战的课题。现有的一些MR图像分割方法存在着分割精度不够和鲁棒性较低等问题。为此,本文对医学MR图像体数据的三维分割进行了深入研究,首先提出了一个基于活动轮廓的分割模型来克服MR体数据中存在的灰度不均匀性、噪声和弱边缘等复杂环境的影响;接下来,进一步将该模型整合进一个体素分类联合活动轮廓演化的分割框架内,实现对存在信号混叠的组织结构的自动精确分割;最后,我们重新设计了分割框架内的体素分类架构和能量泛函的信息整合方式,并将其应用于类别非均衡数据的多相分割中,取得了较好的效果。本文的主要工作和研究成果如下:首先,为了克服灰度不均匀、噪声和弱边缘等复杂环境对MR体数据分割的影响,本文提出一种基于鲁棒统计量驱动尺度可调活动轮廓的MR体数据分割模型。该模型以便捷的方式将活动轮廓模型中的初始轮廓简化为一些点或线,并进一步综合利用初始种子点及活动轮廓邻域内尺度可调的局部区域信息构造了新的能量泛函。基于鲁棒统计量构造的特征向量有效抑制了噪声的影响,而尺度可调的局部化方案则使得该模型能够应对灰度不均匀以及弱边缘的影响,从而实现了复杂环境下MR体数据的精确分割。人工数据集以及真实数据集上的大量实验表明,该模型具有较高的分割精度,对于复杂环境和初始化的影响保持了较强的鲁棒性。其次,为实现对具有低组织对比度的MR体数据的全自动分割,本文提出了一个整合了级联随机森林与尺度可调活动轮廓的分割模型。该模型将分割任务转化为体素分类与轮廓曲线演化的联合,随机森林输出的体素分类结果为活动轮廓模型提供了良好的初始化和形状约束,而活动轮廓模型的曲线演化对体素分类结果进行了精炼,从而实现了模型间的有效互补。所提出的体数据局部与环境信息融合方法,能够更加有效的驱动随机森林与活动轮廓模型。与以往基于随机森林的分割方法不同,所提出的级联架构可以迭代的精炼分割结果并对多个级联分支进行融合;与目前标准的有监督学习方案相比,本文的级联随机森林的训练过程能够灵活的为每个级联分支选择训练样本,而不必由于样本的改变而重新训练全部模型,增强了模型的可扩展性。此外,由于该分割框架将独立的体素分类与曲线演化整合在一起,随机森林的分割结果得到进一步精炼,从而可获取光滑的具有几何约束的边界。最后,与其他基于活动轮廓模型的分割方法相比,所提出的分割框架内的活动轮廓模型由于整合了随机森林提供的初始轮廓和形状约束,可以实现完全自动化的分割;初始轮廓与最终轮廓接近,因此曲线演化所需的迭代次数更少;在形状先验信息的约束下,对于信号混叠的组织结构有着更加理想的分割效果。再次,本文提出一种基于随机森林的多重级联分割模型。该模型可以整合多模式MR体数据中的多尺度、任务自适应的信息,以实现对组织结构自动鲁棒的精确分割。该模型将随机森林用作成像模式特定的特征学习核,直接在多模式MR体数据上进行图表示学习,实现了任务自适应的特征表示学习策略,可以获取特定目标的边缘信息。模型中多重级联的分割架构保证了分割精度,而两阶段训练策略使其能够有效应对类别非均衡数据。所提出的模型训练过程中的正则化方法可以有效增强模型的泛化能力。比较实验证明了所提出的分割架构的有效性。最后,本文提出一种整合了多重级联随机森林与多尺度块驱动活动轮廓的MR体数据分割模型。该模型首先利用多重级联随机森林进行初步分割,然后利用一种新颖的先验信息整合方法将初步分割结果作为初始轮廓与形状约束提供给多相活动轮廓模型。进一步,利用基于体素块的稀疏表示技术将MR体数据中的多尺度、多模式空间约束信息整合进了活动轮廓模型的能量泛函中。最后,利用耦合水平集方法最小化能量泛函实现MR体数据的多相精细分割。该MR体数据分割模型在公开数据集上取得了满意的结果,与当前流行的分割方法的对比实验显示了该模型的显著优势。