医学成像科学作为信息工程和医学工程研究的交叉学科是当前学术界研究的热点领域，在理论研究和实际应用中具有非常广阔的前景。与此同时，信息工程中的智能计算作为一种软计算方法，正在不断代替和改进传统工程领域的硬计算方式。能否将软计算的优势用于医学成像领域成为一个值得研究的命题。本文尝试利用智能算法的优势与改进的医学成像技术结合，探索提高医学成像技术性能的手段。　　 在工程领域，解决实际工程问题的过程一般可概括为模型设计和最优化算法求解两部分，本文亦按照这种思路展开。在模型选取中，本文选取了医学成像技术中应用最为广泛的配准模型、边缘检测模型和分割模型，并分别对这些模型进行改进。在最优化算法改进中，本文主要采用遗传算法和粒子群优化算法代替传统医学成像技术中基于梯度的优化算法，或将智能算法与传统算法结合，以获取更为理想的优化算法。全文的具体内容和创新点可概括如下：　　 1、由于传统扩散张量成像配准中普遍采用线性变换模型，本文使用Affine-Demons变换模型代替原有的变换模型，以提高其应对非线性畸变的能力。又针对扩散张量成像配准中待配准数据为矢量的特性，在传统模型中增加张量重定向算法，使组织内部结构尽可能不受破坏。在此基础上，提出了FSGA-BFGS算法并应用于配准中的多次寻优过程，以获得更高的配准精度和更快的配准速度。　　 2、针对医学图像边缘检测的特殊需要，在经典Canny算子基础上引入自适应阈值算法。分别利用Otsu算法和概率模型算法作为模型，利用自适应粒子群优化算法自适应求解高低阈值，在提高搜索精度和阈值自适应程度的基础上尽可能减少了搜索所需时间。　　 3、在混合高斯模型应用于MRI脑图像分割算法中，用改进的APSO-EM算法代替传统的EM算法，吸收了APSO算法在全局搜索和EM算法在局部搜索中的优势，得到了一种较理想的脑组织分割算法。　　 4、在改进的APSO-EM混合高斯模型脑组织分割算法基础上，引入畸变场和先验概率变形场进行联合分割，利用循环迭代的思想，将APSO-EM优化算法进一步变为改进的APSO-EM-LM算法。结果表明，改进后的算法无论在主观评价还是客观评价中都优于改进前的算法，是更为理想的脑组织分割优化算法。