医学图像分割是近年来的研究热点和难点,不同研究对象需根据具体情况设计算法,至今尚无一种通用算法适用于所有分割对象。颅内血肿一直是危害生命健康的病症之一,尤其是急性颅内血肿。实现自动准确CT医学图像颅内血肿区域分割,可为颅内血肿三维重建及体积精算奠定坚实基础,进而医生临床诊断和病人了解病情提供更好的帮助,具有很好的临床应用意义。本课题重点研究了医学图像颅内血肿的自动分割方法,本文的创新之处在于：第一,首次提出利用可拓检测理论的物元变换法与支持向量机算法相结合的方法,实现医学图像颅内血肿的分割：第二,采用优化算法对支持向量机的参数进行优化,得到了良好的分割效果。本文对CT医学图像颅内血肿的分割过程分两步进行。第一步,采用阈值分割法和区域生长法,实现CT医学图像颅脑血肿的初步分割。第二步,采用支持向量机(SVM)方法对初步分割得到的图像进行分类器训练及血肿区域图像分割。针对SVM分割结果存在非血肿区域部分点也会被错分为血肿区域,使分割效果不理想的问题,本文首次提出结合可拓检测理论物元变换方法中解决矛盾问题的思想,对SVM分割结果进行可拓优化。对SVM分割结果建立可测物元模型、不可测物元模型和目标物元模型,通过将不可测的血肿区域转换成区域的面积可测,获得面积最大的血肿区域。Matlab仿真实验结果表明,本文提出的CT图像颅内血肿分割算法是有效的,只需训练一个SVM分类器,就能够对病人整个序列颅内血肿CT图像,自动准确地分割出颅内面积最大的血肿区域,分割效果达到临床应用的要求。