弥散张量成像可以探测组织内部的微观结构与生理信息,被广泛应用于临床诊断与科学研究。弥散张量图像可以提供丰富的水分子弥散信息,为某些重要组织的分割提供了良好的基础。然而,由于弥散张量图像体素数量巨大、数据维度高,逐个体素进行处理的方式计算复杂度高,使得其在临床应用存在实时性差的问题。超体素将局部区域内有相似特征的体素合并成为超体素处理,可以将巨大数量的体素变成数量较小的超体素。这样不仅降低了数据的冗余性,而且便于提取局部统计特征,可以在保证效果的同时大大降低处理时间。弥散张量图像在局部区域平滑,为超体素的使用提供了良好的条件。本论文针对弥散张量图像的特点,研究一种基于超体素聚类的弥散张量图像分割方法。针对弥散张量图像特点,本文提出一种融合几何与方向特征的迭代空间模糊聚类的超体素生成方法。具体而言,首先,为了应对弥散张量成像中的部分容积效应,采用了空间模糊聚类方法。其次,结合空间坐标、几何与方向特征,定义距离测度,更好地区分组织与背景。最后,交替更新超体素与种子,当前后两次种子的欧拉距离小于设定阈值时停止更新,并将体素分配到隶属度最大的种子点,生成超体素。在生成超体素的基础上,本文在谱聚类的框架下,提出一种基于超体素聚类的弥散张量图像分割方法。首先,对每个超体素进行特征提取,实现对每个超体素的描述。然后,在谱聚类的框架下,建立测度学习与聚类的优化模型,对目标函数采用迭代交替求解,实现超体素的分类,之后将超体素的分割结果映射回图像空间,从而获得弥散张量图像的分割结果。本文提出的弥散张量图像分割方法在真实大脑数据上的胼胝体分割任务上通过通用的定性评价与定量评价进行验证。定性评价通过对分割结果的二维切面与三维表面进行可视化比较。定量评价采用常用的戴斯相似性系数(Dice Similarity Coefficient,DSC)、绝对体积差异(Absolute Volume Difference,AVD)、豪斯多夫距离(Hausdorff Distance,HD)。实验结果表明,本文提出的基于超体素的分割方法高效地获得精准的分割结果。