植物根系原位CT图像的分割是植物根系三维重建和定量分析的基础。本文在综述了常见图像分割算法的基础上，分析了植物根系原位CT序列图像分割研究中存在的问题，提出了基于改进的SOFM网络方法进行原位根系CT序列图像分割的研究思路，并采用MATL．AB工具完成了算法实现。本文完成的主要工作如下： 1)采用医用CT设备进行植物根系图像的采集试验，明确了合理的成像采集方案，并获取了一系列原位根系CT序列图像。 2)对试验采集到的植物根系CT图像进行中值滤波和同态滤波预处理，其中，中值滤波能去除图像中的噪声和获取清晰的根系图像边界，同念滤波能消除照度不均的影响，更清楚的显示根系图像暗区的细节。 3)根据网络输入和输出向量构建SOFM网络，训练网络权值。通过自组织特征映射，按照神经元的一维拓扑结构，图像中的目标一边缘一背景区域被有序地组织起来，实现图像特征的聚类，即图像分割。实验结果表明SOFM的竞争层通过学习聚类实现了对目标和背景较好的区分。神经网络分类器不但完整地将目标从背景中分离了出来，同时保留了对目标特征至关重要的目标边缘。但是采用SOFM网络进行分割也存在缺陷，分割结果中，未能彻底清除与根系密度值相近的较大土壤杂质点，存在分割伪影。因此，需要对分割结果进行修正。 4)采用数学形态学基本方法，对SOFM网络分割结果进行修正。本文采用半径为1的圆形结构元素对SOFM网络分割结果进行腐蚀和膨胀，去除所有的分割伪影和杂质点，并获取良好的边缘效果。 5)修正的SOFM网络图像分割方法与传统的图像分割方法从分割效果上进行对比实验。从实验结果中可以看出，对于植物根系CT图像的分割，修正的SOFM网络图像分割方法与传统的分割方法相比，在分割效果上有较为明显的优势，该方法能把目标区域从背景区域中分割出来，能去除干净原始中的所有杂质点和伪影，同时边缘效果清晰。 运用SOFM网络对植物根系CT图像进行分割，并采用数学形态学的方法对SOFM分割结果进行修正，从研究的过程和结果中可以得出如下结论： 1)利用植物根系CT图像的灰度值对植物根系CT图像进行聚类分割的依据是可行的。 2)基于SOFM网络的植物根系CT图像分割是较为有效的分割方法，采用数学形态学的方法对SOFM网络分割结果进行修正，能够较好的去除植物根系CT图像分割伪影和杂质点，从而得到分割精度较高、效果较好的根系图像。 3)由于神经网络具有容错性能，因此基于SOFM网络分割方法对序列图像的分割也具有一定的鲁棒性，适用于植物根系CT序列图像分割。