核磁共振成像（Magnetic Resonance Imaging,MRI）是利用核磁共振现象从人体中获得电磁信号,并重建出人体信息的一项技术,成像原理复杂,所获取的图像信息量较大,在现代医学研究与临床诊断中占据着举足轻重的位置。随着数字成像的广泛应用,导致图像数据激增,显然仅依靠相关医生识别海量图像数据是耗时耗力的,长时间的工作也易引起漏诊误诊。为提升工作效率,计算机辅助诊断（Computer-Aided Diagnosis,CAD）起到了重要作用。CAD可为放射科医师提供第二意见,减少了读图所需时间。由于图像分割是CAD技术中至关重要的一步,因此,近年来大量研究者致力于MR图像的有效分割。然而,在MRI成像过程中受莱斯噪声和灰度不均匀的影响,给图像的有效分割带来巨大挑战。软子空间聚类算法能够反映属性与簇类之间的紧密型与差异性,在MR图像分割中取得了很好的应用。但由于算法平衡局部搜索与全局搜索的能力较弱,这使得分割MR图像时会出现边界弱化和易陷入局部最优的缺陷。因此,本文将着重改进软子空间聚类算法,使其能够适合MR图像的分割。主要内容包括如下3点:（1）针对传统软子空间聚类算法在分割MR图像时,易受初始聚类中心和噪声数据的影响,导致算法陷入局部最优的不足。提出了一种头脑风暴算法优化的软子空间聚类算法（BSOSSC算法）来分割MR图像。首先,该算法设计了新的目标函数;其次,在聚类过程中,用所设计的隶属度计算方法来寻找簇类所在子空间;然后,用给定指数来适配子空间的聚类任务;最后,运用头脑风暴算法能够有效地平衡局部搜索与全局搜索的优势,对软子空间进行优化,进而弥补了现有算法易陷入局部最优的不足。在Berkeley自然图像数据集、McGill大学提供的模拟脑部数据集和临床医学MR图像进行的实验均表明,该算法提供了比传统算法更好的分割结果,进而验证了所提算法的鲁棒性。（2）为了提高软子空间聚类算法在分割MR图像时的自适应性,提出了一种基于自适应头脑风暴算法优化的软子空间聚类算法（AMBSOSSC算法）。算法首先对头脑风暴优化算法进行子梯度与动态步长计算,然后再运用自适应的选择策略,并沿用BSOSSC算法中的隶属度计算方法,最后在聚类过程中运用自适应头脑风暴算法进行优化,从而提高算法分割MR图像的自适应性。在自然图像数据集、模拟脑部数据集和临床医学MR图像上的对比实验表明,所提算法具有较好的鲁棒性和较高的执行效率,验证了所提算法的优势。（3）针对改进软子空间聚类算法仍存在的两个问题:①因计算聚类中心和局部相邻窗口像素之间重复距离,导致较高的时间复杂度;②相邻窗口通常会破坏图像的真实局部空间结构,从而导致MR图像分割不良,再次提出一种基于超像素的软子空间MR图像聚类算法。算法首先定义一个多尺度形态梯度重建操作,以获得具有精确轮廓的超像素图像。其次,所获得的超像素图像简化了像素数,进而有效地简化了原始图像的复杂性。最后,用超像素图像进行软子空间MR图像聚类,以获得最终的分割结果。在自然图像数据集、模拟脑部数据集和临床医学MR图像上的实验表明,所算法提供了比传统算法更好的分割结果,并且花费更少的时间。