对比度增强技术一直是图像处理领域中的热门话题。医学图像在临床诊断和医学分析中有着重要作用。然而受限于设备与实际情况等限制,医学图像的成像质量往往较低,这一问题制约着医学图像技术的发展和应用。因此医学图像的增强处理对医学图像的分析使用有着重要的意义。虽然传统的图像对比度增强方法对图像对比度有一定的增强效果,但大部分已有的对比度增强算法在增强后都会造成一定程度的图像信息的损失。医学图像中的细节信息往往会成为病情诊断中的关键,因此在增强图像的同时保留图像的细节信息十分重要。本文将对医学图像的可逆对比度增强算法展开相应的研究工作。近年来,有关可逆图像对比度增强方法被提出,该方法可以无损地对图像进行对比度增强。算法的这一优点让我们在提高医学图像质量的同时保留了图像的全部信息,帮助医学研究和医学诊断。但在实验测试中发现目前现有的方法存在图像失真与增强效果较差等缺陷,影响了图像质量。本文针对增强算法中出现的问题,通过结合现有算法与改进预处理方法,成功解决图像失真问题,提高增强结果的图像质量。同时引入更适合医学图像的Grab Cut分割方法,对医学图像进行互动式分割,得到一套有效的针对医学图像的交互式可逆对比度增强方案。同时我们还引入一种基于神经网络的自动分割算法,通过与现有方法结合,提出一种针对多种脑组织的医学图像可逆对比度增强算法。在一组胸部X射线图像和一组核磁共振脑部图像的增强实验对比中,本文提出的方法在各项评价指标上明显优于现有方法。本文所提出的可逆对比度增强方法,有效提高了医学图像感兴趣区域的对比度和视觉质量。