婴幼儿时期是人大脑发育最快的一段时期,在这段时期中,大脑的可塑性很强但是容易患各种各样的脑疾病,由于这段时期婴幼儿无法表达自己的病情,因此好的医疗诊断方法十分重要。核磁共振成像技术能够在不产生人体外伤的前提下对人内部的病灶进行探查,生成高分辨率的图像供医生诊断使用,所以在婴幼儿脑疾病的诊断中核磁共振技术得到了广泛的使用。婴幼儿脑MR图像由于幼儿发育不成熟、设备条件等因素的影响,会使图像产生灰度不均匀,噪声和部分容积效应等问题,这样得到理想图像的关键就在于对图像的前期处理。对图像的前期处理的主要方法是分割算法,模糊聚类是分割算法中最为经典算法,但是该算法在对噪声敏感度较高,所以许多研究学者针对该算法进行了各种改进。本文在总结一些改进模糊C均值算法的基础上,针对两种比较有代表性的算法,对其进行改进,并对模糊聚类和水平集方法的结合进行研究,本文主要研究内容如下:（1）针对婴幼儿脑MR图像噪声较大的问题,研究自适应空间的模糊C均值算法,该方法能够自适应的计算整幅图像的参数,并将其应用于分割中,在此基础上加入核函数和非局部方法,形成新的算法,这种算法考虑了全局和局部的空间信息,并将这些信息加入到目标函数中。实验表明,提出的算法对噪声图像分割效果较好。（2）针对模糊C均值算法对像素的分割准确率的问题,将模糊C均值的隶属度进行改进,在原来基础上加入一种新定义的隶属度,这种隶属度不再限定各类之和为1,扩展了隶属度的范围,这样就将类内与类间的关系引入到目标函数中。在此基础上,加入核函数和非局部方法,增加邻域信息容纳量,实验结果表明:取得较好的分割效果。（3）针对分割算法对边缘处理较差问题,将模糊聚类与水平集结合起来,先用模糊聚类方法将图像聚类到大致位置,得到隶属度函数,然后将隶属度函数应用到新水平集方法中,进行水平集的迭代,的方法由于模糊聚类而加速了水平集迭代的速度,并提高了分割精度。