我国是肝病高发国家，肝脏手术是各种常见肝脏良恶性疾病的主要治疗方法之一。而肝脏手术前的计算机辅助手术规划则是肝脏手术的重要环节，对后续的临床手术起重要的指导作用。肝脏图像的分割、肝脏图像的三维重建以及肝脏容积的测量等都是计算机辅助肝脏手术规划中的重要步骤。其中从医学影像中将肝脏组织准确地分割出来，是计算机辅助肝脏疾病诊断与手术规划中一个基础且至关重要的步骤。在各种各样的医学成像技术中，计算机断层扫描（CT）图像由于比较高的信噪比，以及较好的空间分辨率，在计算机辅助诊断与手术规划中经常被采用。然而，由于肝脏组织与周边相邻器官之间高度的亮度相似性、肝脏形状的高度差异性、病灶的存在等，从CT图像中将肝脏分割出来是一项具有挑战性的任务。目前临床应用的系统普遍采用手动分割，这样的工作是相当乏味且耗时的。因此，适合临床应用，快速准确的三维CT肝脏全自动分割或交互式分割方法的研究是非常有意义的。在学习和研究现有的三维CT肝脏图像分割方法的基础上，本文引入机器视觉领域最新的自动上下文模型（Auto-contextModel），对自动上下文模型在三维CT肝脏图像分割中的应用做了较为深入的研究和探讨。本文的主要工作和贡献如下：广泛阅读当前肝脏图像分割的相关文献，对三维CT肝脏图像分割近年来研究的现状以及主流的方法进行整理和归纳，同时深入研究了自动上下文模型的原理、公式与应用，为将自动上下文模型应用到三维CT肝脏图像分割领域奠定基础。提出了一种新颖的尺度不变自动上下文算法，该算法是最近提出来的自动上下文算法的改进算法。原先的自动上下文算法因为根据固定的径向序列采样上下文位置，从而对大的尺度变化非常敏感。为了取得尺度不变性，尺度不变自动上下文算法尝试得到图像的尺度。对于不同尺度的图像，采用不同采样间隔的径向序列进行上下文位置采样。在尺度不变自动上下文算法的每一次迭代过程中，采用当前得到的分类映射去估计图像尺度，然后采用相应采样间隔的径向序列去选择上下文位置。算法迭代直到收敛。本文将提出的尺度不变自动上下文算法应用到几个经典的图像分割和标记任务，实验结果表明，当存在大的对象尺度变化时，尺度不变自动上下文算法跟原先的自动上下文算法相比，分割结果有显著的改善。提出了采用自动上下文学习算法结合水平集方法，对三维CT肝脏图像进行分割。给定一套三维腹部CT训练图像集以及对应的肝脏手动标记结果，先进行学习：首先对所有腹部CT图像做仿射变换，配准到其中一个典型图像（肝脏手动标记结果也做相应的对齐）。然后对于所有配准后腹部图像的每个体素，提取基于图像块的三维图像特征和基于分类映射的三维上下文特征。最后采用自动上下文模型进行训练（label已知），得到分类器。给定一待分割三维腹部CT图像，首先将它配准到训练集中典型图像空间，然后对配准后图像的每个体素进行特征提取，输入自动上下文分类器，从而得到肝脏分割概率映射，最后采用水平集（CV模型）进行后处理，得到最终的肝脏分割结果。实验结果表明，该方法在三维CT肝脏图像分割中取得了很好的效果。提出了一种基于自动上下文模型、多图谱与改进均值平移技术的三维CT肝脏图像自动分割方法。该方法是一种基于学习的方法，可以分为两个阶段。第一阶段，即学习阶段，采用自动上下文模型在每一个图谱空间构造一个分类器序列。采用多个图谱，可以取得多个分类器序列。第二阶段，即分割阶段，首先采用每一个图谱空间的分类器序列对待分割图像进行分割，然后采用基于模糊积分的多分类器融合技术对多个图谱空间的分割结果进行融合。特别地，为了加速分割，给定一待分割图像，首先采用改进的均值平移技术进行过分割，然后实现区域级的图像标记。本文采用MICCAI2007肝脏分割挑战赛提供的数据库来评估提出的自动肝脏分割方法。实验结果显示，本文提出的方法，不管是准确率还是效率方面，与肝脏图像分割领域最近提出的一些具有代表性的工作具有可比性。提出了一种新的活动轮廓算法，即层次的上下文活动轮廓，并将其应用于三维CT肝脏图像分割。层次的上下文活动轮廓是一种基于机器学习的算法，可以分为两个阶段。第一阶段，即学习阶段，给定一套腹部三维CT训练图像以及对应的手动肝脏分割结果，利用上下文特征将每次的自动分割结果向手动参考分割结果映射，迭代学习得到一组纠错分类器。第二阶段，即分割阶段，首先将待分割图像用基本的活动轮廓进行分割；分割结果输入第一个纠错分类器，输出第一个形状模型，然后结合图像信息和当前形状模型，采用上下文活动轮廓进行再一次分割；得到的分割结果输入第二个纠错分类器，输出第二个形状模型，结合图像信息和当前形状模型，再次采用上下文活动轮廓进行分割。如此迭代分割，随着形状模型的逐步精确，最终可以取得准确的肝脏分割。本文实验结果表明，随着迭代的深入，可以取得越来越好的分割结果。在三维CT肝脏图像分割中，通过六次迭代，就可以取得较好的肝脏分割。