核磁共振(MRJ)脑图像的颅内各组织边界复杂且不规则,所以对其的分割是医学图像处理一个重要而困难的课题。支持向量机(SVM)是一种全新的模式识别技术,其思想是建立在统计学理论的VC维理论和结构风险最小化原理基础上的,在小样本,非线性及高维特征空间具有较好的推广能力,将其应用于医学图像分割中无论在实践中还是实际应用上都具有重大的意义。根据MRI脑图像的特点,本文将支持向量机和水平集方法应用到MRI脑图像分割中,主要内容如下：(1)基于最小二乘支持向量机的医学图像分割研究。本论文在对MRI脑图像进行分割时首先提取图像特征向量,采用主成分分析法(PCA)将图像的特征向量降维处理之后,用最小二乘支持向量机(LS-SVM)来进行图像分割。理论和实验结果表明,利用PCA方法优化特征空间之后,在保证了分类正确率的前提下,有利于提高支持向量机的分类速度。而利用LS-SVM对MRI脑图像分类也表明其对目标边界模糊,目标灰度不均匀及目标不连续的医学图像分割具有良好的分类性能。(2)利用水平集进行MRI脑图像分割。传统的水平集方法需要求解全部计算区域的函数值,将SVM和水平集方法结合,减少了计算量,节省了计算时间。由于SVM分割脑图像所提供的初始轮廓已较接近正确的分割轮廓线,所以用SVM分割所得的轮廓作为水平集的初始轮廓,用水平集方法对MRI脑图像进行近一步的细分割。实验结果表明此方法分割速度比单独使用水平集分割的速度更快,并且提高了分割精度,实现了自动分割。