随着医学成像技术与数字图像处理的快速发展，医学图像分割逐渐成为图像分割领域的热点问题之一。医学图像分割的过程是通过提取医学成像中特定组织或器官的定量信息，划分出感兴趣的区域来实现的。其为临床诊疗、病理学研究等提供了可靠依据。但由于医学图像通常具有噪声、边缘模糊以及灰度不均匀的特点，大大降低了分割质量。因此，对医学图像分割的深入研究具有极其重要的意义。　　近年来，基于数学形态学的分水岭算法凭借其计算速度快、对弱边缘敏感以及分割精度高等优点，在医学图像分割领域受到了极大关注。本文以医学图像数据为研究对象，对分水岭分割算法及其相关理论进行研究。本文的主要内容概括如下:　　(1)系统阐述了基于数学形态学的分水岭分割方法，在阅读及研究大量文献的基础上，结合新的研究进展，介绍了分水岭分割方法的基本概念和基本理论，并对当前医学图像中的改进分水岭分割算法进行了综述。　　(2)研究并实现了基于分水岭算法和互信息技术的医学图像分割。针对现有的改进分水岭算法对弱边缘分割精度不高、计算复杂及梯度谷底不能自适应选取等缺点，提出一种结合互信息的自适应医学图像分割方法。本文首先着眼于图像预处理方法的改进，然后采用多尺度形态梯度的谷底填充算法来减少分割的区域块数，最后通过引入互信息技术来弥补人工调整填充梯度谷底阈值的不足，从而完成自适应分割。最后通过CT和MR图像的分割实验，表明了算法的有效性，且参数选取更加合理，自适应程度提高。　　(3)研究并实现了基于分水岭算法和蚁群聚类的医学图像分割及其相关技术。针对改进分水岭算法分割后的部分图像仍存在一些无意义的零碎小区域，提出了一种将蚁群聚类与上述方法相结合的算法。通过修改蚁群的聚类准则，对分割后图像中的细小区域进行相似聚类合并，从而达到准确快速分割图像的目的。最后与其他分割算法做比较分析，结果表明该算法在一定程度上提高了图像分割的精度。