大脑是人的最重要部位之一。婴幼儿时期人脑发育的重要的阶段。但是,该时期的人患各种脑部疾病的概率很高。因此,研究婴幼儿脑部疾病早期诊断意义重大。在脑病医疗诊断方面,目前主要方法还是医生主观观察和手动处理脑部医学成像。在各种医学成像中,核磁共振成像(MR)因不会对人体有电离辐射的伤害,成像分辨率较高而成为诊断脑病所用图像的首选。婴儿脑MR图像不仅是成人脑图像的缩小,还会存在更严重的噪声、灰度不均匀和部分容积效应等现象。这些特点导致婴幼儿脑MR图像处理难度比成人图像更大。分割脑组织是脑图像的处理中最重要的问题之一。本文的研究目的是提出改进的算法以分割含有噪声的婴幼儿脑部MR图像的脑组织。主要的研究内容如下:(1)本文提出了基于核函数和局部空间信息的改进FCM算法。在学习经典FCM模型后,得知该方法无法准确分割含较大噪声的婴幼儿脑MR图像。通过研究一些基于非单一像素点灰度值的FCM改进算法,选定了参数自适应并结合局部信息的ASFCM算法为基础进行改进。本文将具有非线性处理能力的核函数引入ASFCM算法中实现改进得到KASFCM算法。在求解方面,本文提出了一种新的无需交叉迭代隶属度函数和聚类中心的迭代方法,有利于较复杂的FCM能量函数的求解。实验证明,本文提出的KASFCM模型具备分割含有噪声的婴幼儿的脑MR图像的能力。(2)为了进一步提高算法分割含有噪声的婴幼儿的脑MR图像的能力,本文提出基于非局部权重和核函数改进的ASFCM模型(KNL-ASFCM)。非局部权重思想中运用到了图像中更多的非局部区域的信息,而不仅仅是邻域信息,于是分割图像时抑制噪声能力更强。实验表明,KNL-ASFCM模型相比于上述其他模型的分割精度高。(3)针对KNL-ASFCM模型算法开销过大问题,本文提出改进均值信息的水平集结合FCM的方法。具体地,本文先提出将LBF模型中的局部信息融合进CV模型中来改进CV模型。之后,本文将水平集的两相模型推广至四相。由于该方法仍存在分割噪声婴幼儿脑图像能力不强但算法开销少的特点,故提出先由NLASFCM算法对含噪声图像进行初始分割,得到初始轮廓后,再采用上述改进的CV模型对原图像进行精确分割。实验表明,该方法在分割婴幼儿脑MR图像时,实验精度和算法耗时上具有优势。