医学图像处理与分析作为现代医学的一个非常重要的组成部分正越来越多地受到人们的重视。医学图像分割技术是医学图像处理与分析中的一个重要的组成部分。在医学图像中，通过对视网膜图像的分析可以对高血压，糖尿病，老年黄斑病变，心血管疾病，青光眼等常见疾病的早期诊断以及治疗起到非常重要的作用;肝脏自动分割技术对特定病人的肝脏疾病诊断，功能评估和治疗决策具有非常重要的作用。但是，由于直接采集到的图像存在噪声干扰，对比度低，存在突出的尖锐结构以及病变结构的干扰等问题，使得视网膜图像以及肝脏图像的分割仍然是医学图像处理领域里具有挑战性的任务。　　本文针对视网膜图像分割以及肝脏分割的研究工作主要包括三个方面:1、基于各向异性和各向同性的二维眼底视网膜图像特征点增强及配准;2、基于统计形状模型和live wire的OCT视网膜分层;3、基于统计形状模型和可形变图割的CT图像肝脏分割。本文的贡献可以概括为如下几个方面:　　①提出一种基于各向异性和各向同性的视网膜特征点增强及配准算法　　为了抑制血管中心反射同时减少候选特征点的数量，该算法对原始图像的绿色通道进行了高斯滤波处理。为了不丢失重要的特征点，该算法通过多尺度海森矩阵滤波获得每一像素点的特征值和特征向量同时获得基于各向异性和各向同性的滤波函数，该滤波函数结合了管状结构、交叉点和分叉点的相关信息，从而可以起到对特征点进行增强的作用。该算法对增强特征点后的图像进行局部阈值分割得到血管网络，然后对血管网络进行细化从而获得图像的特征点。最后为了验证特征点的有效性，该算法结合了高斯混合模型方法对参考图像和浮动图像进行了图像配准。该算法在DRIVE和STARE两个国际公开数据库以及北京同仁医院提供的临床数据进行了测试，实验结果表明，该算法对视网膜的特征点增强以及基于特征点的配准具有很好的效果。　　②提出了一种基于统计形状模型和live wire的OCT视网膜分层算法　　该算法在训练阶段，对训练图像进行手动分割标注出视网膜的10层结构，根据中心凹对齐不同数据，计算出各层平均形状及其变化范围，同时训练出10层结构的live wire边界特征。在测试阶段，首先用阈值分割和形态学方法检测出视网膜第1层和第10层的初始形状，并利用迭代live wire算法精确检测出视网膜第1层和第2层结构，从而找到中心凹，进一步结合live wire算法和各层平均形状及其变化范围依次从上到下精确地检测出视网膜各层结构。执行迭代live wire算法期间，对初始层结构一次进行等间距采样获取控制点，然后结合live wire边界特征计算控制点之间最短路径，从而找到优化的边界，并降低采样间距进一步优化分层，直到能量不再变化。该算法对北京同仁医院提供的临床数据进行了测试，实验结果表明，该算法可以对视网膜的各层进行精确地分割。　　③提出了一种基于统计形状模型和可形变图割的CT图像肝脏分割算法　　该算法主要包括三个步骤，预处理、初始定位分割以及精确分割。在预处理阶段，该算法使用了主成分分析法构造统计形状模型同时使用曲率各向异性扩散滤波对输入图像进行平滑滤波。在初始定位分割阶段，该算法使用阈值分割和欧式距离变换将平均形状模型移动到一个初始位置然后迭代的形变使得初始网格不断的向目标边界靠近。最后，为了获得精确的肝脏表面分割结果，该算法采用了可形变图割方法来进行最终的肝脏表面分割。该算法在Sliver07和3Dircadb两个国际公开数据库中的50个CT数据中进行了测试，实验结果显示该算法可以有效并且准确的进行肝脏表面的检测。