本文研究MR图像分割与配准。文章主要研究人脑图像分析的两个方向：脑皮质层的分割与表示、脑肿瘤分割。 在脑皮质层分割与表示的课题中，文章提出一种自适应带状模型来实现脑皮质层的分割与表示。为了克服MR成像中的偏移场对分割算法的影响，本文为其建模并加入混和水平集模型中。本文利用数字化脑图谱首先与脑图像数据进行线性配准，提供拓扑结构正确的初始化曲面。然后采用拓扑结构保持的水平集模型加以演化实现脑皮层结构的表示。本文分别选用仿真脑图像数据和真实脑图像数据进行实验，并与其它方法进行比较。 在脑肿瘤分割课题中，文章首先分析了脑肿瘤分割的难点，得出主要难点在于脑肿瘤和其它正常组织在灰度上有很大程度上的重叠的结论。为了解决这个难点，文章提出了两种改进型的粘性流体模型，变参数粘性流体模型和基于Markov位移训练的多尺度粘性流体模型。第一次使用经典粘性流体模型以检测异常位移，第二次在已知异常位移的基础上通过改变粘性流体模型中的粘性参数来调节配准的刚性，从而防止误配准。基于Markov位移训练的多尺度粘性流体模型只用一次非线性配准来实现脑肿瘤分割。