近年来,人工智能在医学领域大放异彩,特别是在图像分割领域,取得了很大的进展,现代医学中,医生往往根据不同的医学图像诊断病情,并作出相应的治疗计划。医学图像多种多样,每种图像都有其各自的特点以及擅长的地方。如计算机断层扫描（CT）、超声成像、磁共振成像（MRI）等。借助机器学习算法,我们使用计算机程序处理不同模态的医学图像,帮助医生提高诊断效率。在癌症的治疗中,放疗是最重要的手段之一,对绝大多数癌症,放疗都是最后的手段,在放疗的过程中,肿瘤靶区的确定是关键一步,需要多科医生合作讨论,这需要具备丰富的临床经验。但不同医生所圈画的肿瘤靶区还是会有所区别,为此,我们可以借助机器学习算法,自动的分割出病灶边缘,协助医生做好圈画工作。具体而言,本文主要开展了如下的研究工作:（1）针对放射性治疗中,肿瘤靶区的圈画问题,我们基于支持向量机（SVM）算法实现小样本分类,使用KNN算法实现全体样本分类的思想,成功实现了人体下腹部MR图像中肾脏的分割任务。借助卡尔曼滤波的增维处理,大大提升了SVM算法的分类精度,以及肾脏轮廓的准确性。实验证明,我们的方法获得了最高的DSC精度,并且获得了与手动分割基本重叠的肾脏轮廓。（2）提出了一种半监督极限学习机（SSL-ELM）模型,该模型借助半监督分类的思想,使用类似与FCM算法的隶属度函数,充分利用未标记数据之间的相关性,提升了极限学习机模型（ELM）的分类能力,在针对人体下腹部MR图像的肾脏分割任务中表现优异,实现了肾脏轮廓的圈画,并增强了模型的可解释性。（3）传统的线性加权多核支持向量机使用梯度下降法来确定权重,该方法在接近最小值时,需要多次迭代才能收敛,本文提出了一种自适应加权的多核支持向量机模型（AW-SVM）,大大减少了迭代的次数,提高了模型的分类效率。实验证明,在针对人体下腹部MR图像的肾脏分割问题上,AW-SVM算法获得了最高的DSC精度,可与传统的优秀分类算法相媲美。