MR图像中含有丰富的人体组织信息,利用这些信息对MR图像中的各组织进行有效分割可以帮助医生及病患了解病变区域以及各器官的尺寸、位置以及形状等准确信息。然而,临床采集的MR图像,由于受到时间与空间的限制,图像始终存在不同程度的噪声,图像呈现出灰度不均匀、边界弱化等问题,给MR图像分割带来了极大困难。近些年,众多学者均致力于研究聚类技术,期望实现MR图像的高效分割,但是多数算法仍存在分割精度低、复杂度高、鲁棒性差以及缺乏通用性等缺陷。当下,多种方法的有效结合可以对图像进行细粒度分割而成为一项研究热点,因此,本文借鉴多种方法有效结合,提出了烟花算法优化的软子空间聚类算法与改进的密度峰值快速搜索聚类算法分割MR图像。本文的主要工作如下:(1)针对现有大多数软子空间聚类算法分割MR图像时,易受随机噪声影响,且因该类算法对初始聚类中心不具有良好的鲁棒性,算法极易陷入局部最优的缺陷,提出一种烟花算法优化的软子空间MR图像聚类算法(FWASSC)。该算法首先设计一个结合界约束与噪声聚类的目标函数,弥补现有算法对噪声数据敏感的缺陷,并提出一种新的隶属度计算方法,快速、准确地寻找簇类所在子空间;然后,在聚类过程中引入自适应烟花算法,有效地平衡局部与全局搜索,弥补现有算法容易陷入局部最优的不足。通过在合成图像中加入噪声验证算法的抗噪性能,自然图像分割后与黄金分割标准作对比验证所提算法的精度,从理论时间复杂度与实际耗时验证算法的时间性能后,将所提算法应用于临床MR图像分割,各组实验均证明所提算法具有良好性能。(2)鉴于密度聚类方法对于噪声的敏感度并不是十分明显,且可发现非球形簇类的优良性能,结合超像素算法SLIC将MR图像划分成数量较少的超像素对象后,根据每个超像素对象的详细信息确定其近邻,借鉴K近邻优化的密度峰值快速搜索算法样本分配策略,实现超像素对象一次性划分,完成图像分割,提出了一种改进的密度峰值快速搜索聚类算法。通过在自然图像加入椒盐噪声验证算法的抗噪性能,与黄金分割标准对比验证算法的分割精度,从理论与实际耗时验证算法的时间优越性后,将所提算法运用于三组临床MR图像,实验证明本算法对临床MR图像分割质量良好且性能优越。