脑肿瘤是由于正常脑细胞破坏导致的破坏性疾病，目前为止，还没有有效的治愈方案。人们已经在微观尺度下做了大量的努力来理解脑肿瘤机制并提供治疗方案。另一方面，在宏观尺度下，各种成像技术比如磁共振影像(MRI)也可以提供关于肿瘤的形状，体积和精确位置信息。利用MRI或其他成像技术来研究脑肿瘤生长的复杂数学模型，有助于预测脑肿瘤的生长和量化，进而提供治疗方案。此外，脑肿瘤生长模型研究，与图像分割与配准方法紧密相连，这些是临床研究中的基本处理过程。　　本文主要研究以下两个内容:脑组织的分割和基于反应扩散模型的脑肿瘤建模。作为预处理步骤，脑组织分割对脑肿瘤生长模拟模型有很重要的指导作用。我们提出了一种鲁棒和快速的模糊C均值(FCM)聚类算法的脑组织分割新框架，这一方法同时考虑了空间和灰度的图像直方图。基于临床和仿真MRI数据，与其他分割方法相比，我们的方法对MR图像分割能够达到更好的性能。　　脑组织分割后，我们提出了一种基于内容的反应扩散方程对低级别脑胶质瘤生长进行建模。对原始的反应扩散方程加入一个加权的参数，用来测量白质在小窗口中的比率。通过这一改进，生长模型可以有效的实现肿瘤扩散的异质性。　　本文的其余部分主要研究促进肿瘤生长模型的临床应用。我们提出基于扩散张量成像指导的通用反应扩散模型，包括放射治疗和化疗对患者的影响。模型的生长参数是基于患者个体设计的，而不是通用的参数设置。此外，还研究了脑粘弹性和数值解的稳定性。基于临床低级别胶质瘤的MR图像的初步结果说明了本研究的前景，我们希望通过进一步的研究，在不久的将来将本研究应用到临床上。