图像分割是图像处理和计算机视觉学科领域内重点研究课题之一。有效的图像分割为后续工作顺利展开提供依据。近年来,医学图像分割受到国内外研究学者的广泛关注。一类有效的医学图像分割可为临床诊断、制定治疗方案以及做病理学研究等方面提供可靠依据。医学图像分割包括人体器官分割、器官病灶分割和其他组织分割三类分割。目前,基于像素的医学图像分割还存在以下困难:一、空间像素信息近临分布使得分割时很难捕抓到局部子问题;二、基于欧氏距离相似性度量不能充分反映复杂空间样本分布特性,从而造成局部最优解的缺陷。谱聚类是当前比较流行的聚类分析方法之一。本论文以谱聚类为研究对象,深入地分析了基于欧氏距离的相似性度量不足和现有的改进谱聚类算法在医学图像分割中应用的不足。为了解决基于像素的医学图像难以进行有效分割的问题。本文做出以下两方面的创新:一方面,将全局问题划分成具有强关联的子问题提取局部特征来提高图像的分割精度。另一方面,提出流行学习构造相似矩阵,得到分割图像全局上的一致。论文的主要研究工作如下:(1)阐明了医学图像分割的研究背景与意义。简单介绍了常用的医学图像分割方法。详细叙述了谱聚类的基础理论包括K-means聚类算法、谱图划分理论、拉普拉斯矩阵性质以及谱聚类算法的具体实现过程。(2)医学图像组织构造不同(如解剖结构、病变组织),使得限定局部子问题很难并入到全局模式,所以全局模式很难解决此类问题。由于局部子问题是由大量的子图组成不是由整体外观图像体现,所以为了解决局部子问题,本文提出将全局问题域划分成有针对性局部子问题域。(3)针对基于欧式距离的相似性度量,本文提出了一种新的基于流行学习相似性度量的谱聚类算法。利用流行学习构造相似矩阵,能够增强类内间相似度,同时能够削弱类间相似度。为了验证本文算法的有效性,将本文提出算法和现有改进谱聚类算法分别对脑部核磁共振(MRI)图像进行分割比较,实验数据结果表明所提方法获得较好的分割效果。