MRI成像因其无损伤、无痛苦、适合软组织诊断等特点而成为脑肿瘤诊断的重要检测手段。MRI图像分割是对MRI图像进行分析的基本步骤，也是利用MRI图像进行定性、定量分析的一个至关重要的环节。然而在MRI医学图像处理与分析中，对目标和病灶的识别、定位及定量分析还主要依赖图像的手动分割。随着MR医学成像在临床应用中越来越广泛，迫切需要利用计算机算法对解剖结构或感兴趣区域进行自动分割描述。分割的准确性对医生判断疾病的真实情况并做出相应的诊断计划至关重要，因此研究自动或半自动分割方法是非常重要的。 活动轮廓模型因其能够将高层视觉知识与低层图像信息有机结合，近年来广泛应用于医学图像分割。本文提出了一种结合贪婪算法和活动轮廓模型的新的医学序列图像分割算法。本文以临床磁共振颅脑图像为研究对象，以自动、精确分割出脑肿瘤为目的。首先采用各向异性滤波对图像进行滤波预处理。然后通过对传统活动轮廓模型及其几种主要的改进模型的分析，将模型的内部能量和外部能量做出了以下改进：1、在模型的内部能量中加入轮廓平均长度项的控制，从而避免轮廓中相邻控制点在迭代过程中的互相汇聚；2、在模型的外部能量中加入了梯度方向势能，避免活动轮廓停留在错误的物体边缘处；3、采用了基于图像统计特征的区域能量作为模型的外部能量，使模型能有效的避免噪声的干扰。同时，为使算法具有实用价值，采用速度较快的贪婪算法作为求解模型能量最小的算法，并提出区域能量在贪婪算法中的快速求解方法。另外采用动态调整蛇点的算法，使蛇点数目能够自适应地变化，能够很好的描述目标形状，保证了稳定跟踪。并且提出了一种新的Snake曲线的轮廓初始化方法。为了提高序列图像分割的自动程度，首先找出关键帧图像，将整个序列图像分成两部分，然后提出了一种新的Snake曲线的轮廓初始化方法，先将关键帧图像精确分割，再利用序列图像的逐渐变化特性，将前一帧分割结果作为下一帧的初始轮廓，即可实现脑肿瘤MRI序列图像的自动分割。 将仿真实验结果与手工分割以及著名的GVF模型的分割结果对比，表明本算法与人工分割的结果近似，在弱边界处优于GVF模型。通过不同形状和大小的初始轮廓的分割结果证明本算法对于初始轮廓不敏感；对序列图像中关键帧图像分割时提出了一种利用区域内灰度统计特征自动进行Snake初始化，可以减少人工参与，提高序列图像分割的自动程度。实验结果表明，本文提出的序列图像分割算法能够获得比较好的分割效果。