图像分割是医学图像处理的重点和难点之一。如何将感兴趣区域(ROI)从医学图像中提取出来,并自动识别,是本文的研究内容和实现目标。概括全文的研究成果和贡献,主要有如下几个方面:　　 首先,对经典分水岭分割算法进行实现和改进。对于基于沉浸模型的分水岭算法(VS算法),引入势能值和落差阈值进行改进,有效抑制了分水岭算法的过分割现象。分割预处理时,使用形态学重建滤波器和多尺度形态学梯度图来减少过分割。改进型分水岭算法分割处理后,依据区域相似性,采用基于面积和灰度的评价函数完成区域合并。必要时借助了手动区域合并工具,以获得更好的分割结果,。　　 其次,结合模式识别理论中的热点——神经网络算法,实现医学图像自动分割。采用自组织特征映射(SOM)和多模上下文关联(MMC)神经网络相结合的方法,先由前者对图像进行预分割,确定模糊聚类中的初始隶属度,再由后者优化分割结果。得到初步的组织区域分割轮廓后,再结合图像解剖结构先验知识,设定特征描述子和判定准则,自动标识出图像感兴趣区域和组织器官。　　 最后,针对序列医学图像的相邻层之间的关联特性和感兴趣区域的特定空间位置关系,利用神经网络算法的样本可学习特性,对序列图像进行分组,同组相邻切片共享学习样本,这样不仅提升了序列医学图像自动分割的效率而且使得识别结果更加精确。