研究医学图像对促进医学科学的发展具有重大意义，图像分割是研究医学图像的核心问题。现今，已有学者将支持向量机应用于图像分割处理中，并能够取得较好的分割效果。但由于没有考虑到相关应用领域的知识特点，对边缘的分割处理效果不是很突出，有待进一步改进。　　 1）本文以医学图像中的核磁共振脑图像作为研究对象，使用支持向量机方法对不同噪声级别的仿真MR脑图像作图像分割研究。　　 2）在研究过程中，考虑了核磁共振图像的成像特点，提出了一种新型的划分区域：扩圆形区域。该区域介于传统的方形区域与圆形区域之间。用扩圆形区域内计算出的灰度特征和纹理特征作为像素点的支持向量，并以此向量为基础建立样本模型，对目标进行分类处理，完成对核磁共振脑图像的分割。　　 3）本文对训练和测试样本采用交叉验证方法，采用了国外一种比较权威的算法评价方法来评价所获取实验数据，并客观地分析改进和评价算法。通过与基于先验知识的支持向量机分割结果相对比，结果表明在处理小噪声级别图像时，新方法的分割效果较好，在处理噪声级别比较大的图像时，新方法的分割效果与其相差不多。　　 本文将支持向量机应用于医学图像分割，以加拿大麦吉尔大学的brainweb模拟脑部数据库提供的不同噪声的图像进行实验，在实验中应用改进后算法，结果表明改进后算法的分类综合能力较传统支持向量机算法较高，尤其在噪声级别不大的情况下，分割效果明显。在噪声比较大的情况下，也具有一定的分割效果。研究成果可为脑部诊断及手术导航起到参考作用。