随着各种化学用品的大范围使用以及手机、电脑等具有辐射效应的电器的普及,近年来人们罹患脑部疾病的几率不断增加。对此及时的诊断和定期的身体检查具有重要意义。核磁共振成像技术(Magnetic Resonance Imaging, MRI)以其对软组织的高对比度、高分辨率、多通道等优势在脑部疾病的检测与诊断领域得到了广泛应用。面对需要处理的大量图像信息,迫切需要辅助工具来帮助医生完成繁重的任务,提高工作效率。因此,利用计算机进行辅助检测与诊断成为现今的一个研究热点。本文对脑部MR图像分割算法进行了研究。首先介绍了研究课题的背景及意义,其次实现了基于阈值分割与形态学分析的脑部MR图像颅骨及背景去除算法,并增加了阈值的自动选择与圆形度的检测等环节以提高准确率和实用性。对脑组织的分割算法进行了分析与研究,改进了强鲁棒性模糊聚类算法,使其对脉冲噪声和高斯噪声都具有极强的鲁棒性。实现并改进了具有偏移场校正功能的聚类算法,可以自动获得聚类中心并能在算法结束后得到校正后图像与偏移场。两种算法都可以抑制部分容积效应的影响。提出了基于改进模糊连接度的脑肿瘤自动分割算法,该算法综合聚类技术以及含有脑肿瘤的MR图像的特点实现了种子点的自动选择。对模糊连接度算法进行了讨论,改进了原始的亲和度公式以使得分割结果更加精确。此外设计并实现了脑部图像计算机辅助检测平台,为将来应用于临床的脑部疾病计算机辅助诊断(Computer Aided Diagnosis, CAD)系统提供了一定基础。最后对全文进行了总结,并指出了继续研究的方向。通过实现表明,本文提出的脑部MR图像分割算法具有较高的准确性以及较高的自动化程度。