猕猴大脑与人脑结构较为相似,某些高级功能例如视觉系统也与人相似,因此人们可以通过研究猕猴大脑来了解人脑的某些作用机制。此外,通过比较猕猴大脑和人脑结构的不同来进行跨物种比较也可以揭示更多进化方面的奥秘。对猕猴大脑进行研究的手段主要为对采集的MRI图像进行分析。其中皮下核团的分割最为困难,也最为重要。目前皮下核团的分割主要借助人脑MRI分析软件进行分割,然后再人工修改完善,关于猕猴的自动分割方法较少,所以研究猕猴皮下核团的自动分割方法具有现实意义。为了改善上述情况,本文对大脑核磁图像分割算法进行了研究,选择了多图谱分割算法中的稀疏表示多图谱分割算法进行改进,并应用于猕猴大脑皮下核团的分割。主要的研究内容如下:（1）针对稀疏表示多图谱分割算法加权融合时没有考虑全局相似性的问题,提出了一种改进的稀疏表示多图谱标签融合算法。该算法通过引入互信息,并对互信息中信息熵的计算方式加以改进,从全局与局部综合考虑目标图像块和标签图像块的相似程度。改进的方式为将灰质与灰白质的概率比值作为参数加入到信息熵的计算过程中。同时计算标签图像的信息熵,并将Dice系数作为参数加入到标签图像进行互信息计算中。两部分的信息熵进行相加得到改进后的信息熵计算公式。将改进后的互信息用于对目标图像和图谱图像的整体相似性度量,这两项措施使结合使各图谱的权重更加合理。（2）针对稀疏表示标签融合算法会丢失图像块信息的缺点,提出了一种新的标签融合算法。该算法通过距离衡量指标D_Ri,按照一定规则将非局部块的标签融合算法的分割结果与稀疏表示的融合算法分割结果进行综合,从而达到更好的分割效果。该指标为L-Dice系数的倒数与余弦距离两部分数值之和。其中,L-Dice系数为Dice系数的改进。由于Dice系数不能从数量上反映两个集合的差距,由此本算法将目标图像标签值体素个数与图谱对应的标签值体素个数之差的绝对值与Dice系数相加。为了保证Dice系数不为零,又引入常数d,最终得到改进后的L-Dice系数。（3）对本文提出的两种算法进行验证。本文选择牛津大学发布的猕猴数据集作为测试数据集,采用D99-SL图谱、NMT图谱和Huanghao图谱作为参与分割的图谱。用多数投票法（majority voting MV,MV）,局部加权（local weight voting,WV）算法和非局部块加权（nonlocal patch-based weighting,PATCH）算法与本文的提出的算法对测试数据集进行皮下核团的分割,然后选取海马体、纹状体、带状体三个典型的皮下核团,对分割的分割准确率进行评估。结果证明本文提出的算法相较于另外几种算法对三个核团的分割准确率都有所提高,尤其是海马体和纹状体的效果更好。此外,本算法相对于其他几种算法有着更好的稳定性。