由于医学图像背景复杂、信噪比低和无统一的衡量标准等问题导致医学图像分割问题一直是一个难点。如何选取一种分类准确性高且时间开销小的算法分割医学图像是一个值得思考的问题。粒子群算法作为一种随机搜索算法,具有收敛速度快,随机搜索能力强的优点,但是不适合用来解决复杂的多维映射问题。神经网络作为一种复杂网络模型能够处理各类复杂的数学映射问题,且具有不错的泛化性能,但算法的效率不高,且具有过拟合的问题。在以上思想的背景下,本文的主要研究内容如下:1.基本粒子群算法具有易于实现和搜索效率高的优点,但是同时也存在容易陷入局部最优的问题,本文通过分析基本PSO易陷入局部最优的原因,采取以粒子群体个体极值和全局极值随迭代过程中停止变化的步数(0T和gT)作为依据对个体极值和全局极值进行多梯度随机扰动调节的方法(RPSO)增加算法随机搜索性能和扩展搜索空间能力,并通过优化复杂多维函数实验说明改进后算法的寻优性能和效率。2.本文介绍了极限学习机算法(ELM)基本思想,说明ELM训练和分类的原理,同时分析了ELM具有的学习速度快和网络映射复杂问题能力强的优点,然后通过综合RPSO和ELM各自的优点提出了RPSO-ELM算法。RPSO-ELM算法利用RPSO良好的多维空间随机搜索能力对ELM模型的输入权重i?和隐藏层偏置ib进行寻优,以建立最优ELM模型提高ELM的泛化和分类性能。3.本文通过预处理和特征提取等操作创建样本集,然后将样本集输入RPSO-ELM进行分类实验,获取分类结果后经过一系列形态学处理,返回算法勾画轮廓的图像,并通过真阳性、背景正确识别率和背景错误识别率指标将其与金标准结果和基本ELM进行对比说明RPSO-ELM应用于医学图像分割具有实用价值。