自动和稳健的医学图像分割方法是进一步理解和分析图像的基础与关键步骤,本文以分水岭算法为研究对象,以快速获取医学图像中目标区域的连续边界轮廓为目的,在相关算法理论的基础上,重点实现了改进的分水岭算法在医学图像分割中的应用。论文研究了图像分割领域中目前主要采用的方法和技术,归纳了其各自的优缺点及适用范围,深入地分析了数学形态学以及基于数学形态学的现有改进分水岭算法在医学图像分割中的应用与其存在的不足。在此基础上,为满足生物电磁场数值计算剖分模型的构建需要,提出了基于K-means聚类的改进分水岭算法。首先,利用形态学滤波技术对图像进行预处理,求得形态学梯度图像,并采用K-means聚类算法对梯度图像进行多阈值分割,以简化梯度图像。考虑到K-means聚类算法对离群点敏感,本文通过替换中心点,比较代价函数来降低K-means聚类算法对离群点的不适应性。对简化后的梯度图像进行分水岭变换,过分割现象得到了一定程度上的缓解,目标区域大体显现,此时,结合扫描线种子填充算法和数学形态学操作获得初始的目标区域模板。然后,利用Canny边缘检测算子获得原始图像的边缘信息,结合数学形态学处理,对初始分割所得到的目标区域模板进行优化,获得能够满足生物电磁场数值计算剖分模型构建需求的分割结果。最后,利用相邻帧的区域相关性,以前一帧图像所得到的精确分割结果做为相邻帧分割目标的参考模板,结合Canny边缘检测所获得的边缘信息及数学形态学处理来修正此模板,进而得到最后的分割结果,实现了序列图像的连续分割,并减少了分割计算量,提高了分割效率。将本文提出的方法应用于胸部及头部MR图像的分割,实验结果表明,本文分割方法对解决分水岭算法的过分现象有明显效果,且减少了人工参与,提高了分割算法的自动化程度。