医学图像分割因其重要应用价值,近年来已成为图像分割研究的热点问题。医学图像种类繁多,每类图像从不同的角度提供信息,如何有效利用各类图像提供的信息获取最佳的自动图像分割具有重要的理论研究价值和现实意义。本文主要以CT与MRI图像作为研究对象,研究了固定特征分割、基于融合的自动选择特征机制以及融合规则三个方面,寻求一种具有自选择特征融合的医学图像分割的方案。论文研究内容如下:1针对传统聚类方法需要初始聚类中心、类别数等先验知识,且对噪声敏感问题,提出了基于自分裂竞争学习与聚类方法相结合的图像分割方法。该算法将自分裂竞争学习方法SSCL分别与FCM和ECM聚类算法结合在一起,并利用空间信息对分割结果进行后处理,解决了传统聚类方法需要初始化图像类别数和类别中心、对椒盐噪声和高斯噪声敏感的问题,明显提高了图像分割的精度;2为充分利用图像提供的特征信息对图像进行有效的分割,提出了一种特征自选择机制图像分割方法。该方法通过融合基于互信息量和基于交叉验证的特征选择方法来自动完成最佳组合特征的选择,再利用SSCLECM分割方法进行分割。UCI数据集和MRI图像分割实验证明,通过自特征选择机制,针对不同的分割对象可以获取特征的最佳组合,减少了特征矢量的维数,明显改善了分割效果;3由于D-S证据理论中不同证据对决策支持程度是不同的,论文利用证据间冲突性赋予证据不同权重,基于经典的孙全融合规则,提出了一种新的融合方法。通过熵和总交叉熵指标的评价,与D-S证据理论和孙全的融合方法相比,该方法具有更好的图像分割效果。