准确分析和判断脑组织的具体分布是医生制定有效治疗方案的基础保证,而其中脑图像分割又是脑定量分析图像的关键步骤。有限混合模型是图像分割中应用最广泛的模型之一。然而,受到一些因素的影响,脑MR图像中可能存在一些灰度不均匀伪影和噪声,这导致脑MR图像的直方图可能服从重尾分布或非对称分布。所以,传统的有限混合模型,如高斯混合模型,在分割此类图像时难以获得准确的分割结果。针对这些问题,本文在有限混合模型基础上,提出了两种新的图像分割模型,具体内容如下:（1）.论文提出了一种空间约束下的基于非对称高斯混合分布的图像分割模型,首先,该模型利用图像的结构张量构造各向异性的空间信息,这样既能减少图像噪声的影响,也能保留图像的边界,角点,等细节信息。其次,模型将各向异性的空间信息耦合到混合偏斜高斯分布中,从而使模型能够更好拟合非对称数据。最后,对耦合后的模型采用改进的EM算法进行参数估计。（2）.论文提出了空间约束下的基于混合偏斜Student’s-t分布的脑磁共振图像分割和偏移场校正模型。首先,该模型为了减少噪声的影响,提出了各向异性的两级空间信息,它结合了先验概率和后验概率的非局部信息,增强了边缘和细节的保持能力。其次,模型将这一空间信息耦合到混合偏斜Student’s-t分布中,从而使模型能够更好拟合非对称数据和重尾数据。最后,我们利用改进的EM算法对模型的参数进行估计。每种方法都在虚拟脑MR图像和真实脑MR图像上和相关的有限混合模型方法做了对比,本文提出的模型在图像边缘,角点,细长拓扑结构上达到了不错的效果。