医学图像分割是医学图像配准、医学图像融合的前提，在临床诊断、病理分析及疾病治疗方面具有重要意义。由于医学图像的对比度较低以及各种组织器官的边缘往往较为模糊，医学图像的分割是医学图像处理中的一个经典难题。CT中的前列腺与其他器官无明显差异，导致了前列腺分割的特有困难。　　 针对前列腺分割的难点，本文首先研究了基于Mumford-Shah模型的C-V方法，该方法能够获得比较好的分割轮廓，但依赖于分割轮廓的初始化，需要有经验的专家来实现，较难得到很好的推广应用，属于一种优化速度较慢的半自动分割算法。为实现全自动的快速分割目的，本文提出了一种结合先验知识的遗传优化分割方法，即基于CV模型及形状建模的边缘模糊图像遗传优化分割方法。利用形状建模获得形状先验信息来自动、准确地获得初始轮廓，并利用结合C-V模型的遗传算法来优化轮廓。实验表明，该算法能够实现前列腺器官的分割，且自动、演化速度较快。医学图像具有特殊的纹理特征，对于同一种成像技术，在不同图像的同一个特殊器官的纹理特征大致相同，文中在结合形状先验信息的基础上，引入纹理先验信息，提出了基于Laws纹理特征的前列腺图像分割方法，该方法首先从手工分割图像中获得形状和纹理先验信息，利用主成分分析方法对手工分割得到的形状进行形状建模，根据纹理信息计算适应度函数，利用遗传算法优化前列腺的分割轮廓。实验证明，纹理先验信息的引入对分割结果有较为明显的改善作用。