在医学临床实践和研究中，经常需要对人体某种组织和器官的形状、边界、截面面积以及体积进行测量，从而得出该组织病理、或功能方面的重要信息。因此精确的测量对疾病的诊断和治疗有重要的临床意义。由于待分割图像的可变性比较大，且混有噪声，构成了图像分割所面临的主要困难。本文主要对基于蚁群的分割方法和基于人工免疫系统的分割方法在医学图像中的应用进行了研究。 人工生命的方法有助人们了解生物学规律，并且在机器人、计算机图形学等方面得到了成功应用。基于蚁群的分割算法是由真实蚁群活动的启发而逐步发展起来的一种模拟蚂蚁群体智能行为的算法。它具有较强的稳定性、分布式计算和易与其他算法结合等优点，个体之间不断地进行信息交流和传递，有利于寻找到较好的解。基于人工免疫系统的分割算法是受生物免疫系统启发而产生的一种新型的计算方法，它继承了生物免疫系统的自组织、自学习、自识别、自记忆的能力，具有非线性的分类能力，并能够快速准确地得到全局最优解。 论文的主要工作可以简单总结如下： (1)．对蚂蚁的觅食行为进行了深入的分析，通过实验验证了蚁群模型可以应用在图像分割工作中。 (2)．提出了结合模糊连接关系的蚁群分割模型。该方法把图像空间的模糊连接关系引用到蚂蚁的觅食规则中，转嫁为蚁群中蚂蚁搜寻食物的准则，对蚂蚁的信息素释放、路径转移等进行了重新定义。模拟数据和真实数据的实验结果验证了该方法的有效性。 (3)．提出了一种基于人工免疫系统的分割算法。该方法首先应用人工免疫系统的克隆选择算法对样本进行学习，得到全局最优的聚类中心，然后利用学习得到的聚类中心对整幅图像进行分割。实验表明这种算法能取得良好的分割结果。