医学图像分割是医学图像处理与分析中的一项关键技术。获得良好的分割结果能给医生和患者提供重要的信息，以便进行及时的病情监测和正确诊断。基于分水岭变换的分割技术是一类应用比较广泛的医学图像分割技术,该类算法具有计算效率高、分割精度高的优点，但是易产生过分割现象且具有对噪声敏感的缺点。因此，本文针对传统分水岭算法的不足，将形态学与分水岭算法结合起来并开展了深入的研究，主要研究工作如下：细胞图像在获取时经常受到外界环境干扰而产生异常的纹理变化和细胞孔洞，使得后续分割中出现伪边缘，而分水岭变换算法对噪声和灰度变化极其敏感。鉴于此现象，本文用一系列形态学运算来消除细胞图像中的伪边缘，并且采用灰度差变换法来抑制噪声和获得均匀的图像灰度信息，基本消除了噪声、细胞孔洞和杂质的不利影响且较为有效地解决了分水岭算法在细胞分割时的过分割和漏分割问题。大多数细胞都存在粘连和重叠现象，这些现象会使得分割算法难以准确定位其重合的边缘。传统的分水岭算法能基本达到分离重叠细胞的目的，但经常会增加分离点数量而过多的分割细胞。鉴于此，本文使用形态学算法提取粘连细胞的几何特征，然后用非线性处理技术改善这些几何特征，最后采用分水岭分割。达到较为有效地分离了粘连细胞的目的。现有的细胞图像算法大都只能分割粘连或非粘连的细胞图像，本文结合若干算法的特点用形态学的方法改进分水岭变换。得出了一种能同时分割粘连和非粘连细胞的图像分割方法。人体组织结构的复杂性使得其图像的灰度分布极不均匀，现有的分水岭算法很难提取出人体组织中有意义的部分。本文利用形态学算法大量缩减了没有意义的局部极小值，而在峰值增强基础上加入的图像融合技术保留了重要轮廓，正确的引导了分水岭变换。从而获得正确直观的人体组织图像。针对每一个改进算法本文都选择了若干幅相应的灰度图像在Matlab软件上进行仿真验证，得出的实验数据结果证实了本文算法的有效性和准确性。