乳腺癌是全世界中年女性中死亡率很高的常见癌症。目前，对于乳腺癌的发病机理尚未完全搞清楚。治疗乳腺癌的最有效手段仍然是早发现、早治疗。图像成像方式是乳腺癌早期检测的主要工具之一。在多种常见成像方式中，动态对比增强磁共振成像(Dynamic contrastenhanced breast magnetic resonance imaging, DCE-MRI)在检测致密乳房中的早期癌症时表现出了较高的灵敏度。因此，DCE-MRI越来越广泛的用于乳腺癌的诊断和治疗评估中。通常乳腺MRI图像的诊断大多依靠临床医生的个人经验与专业知识；为了降低误诊率，提高诊断效率，乳腺MRI计算机辅助诊断技术(Computer-Aided Diagnosis, CAD)逐渐引起了研究者的关注。乳腺肿块分割作为乳腺MRI影像CAD系统的重要组成部分，分割结果的好坏将直接影响后续可疑区域的特征提取与分类效果。然而，由于乳腺组织的复杂性、乳腺MRI图像有限的分辨率以及部分容积效应和偏场等因素影响，乳腺MRI图像中各种组织之间的边界往往模糊不清，现有的乳腺MRI图像病灶分割算法的分割表现尚未达到十分令人满意的程度。本研究根据乳腺DCE-MRI图像的特点，从三维和参数自适应角度出发，提出了一种参数自适应乳腺DCE-MRI病灶三维分割方法。该分割方法整体上分为两个过程：粗分割过程与精分割过程。粗分割过程主要为精分割过程提供标号场。在精分割过程中，本研究根据分割表现，对其进行了改进，分别加入了三维空间信息和对模型参数采取了自适应策略。结合三维信息能解决无法分割出三维病灶两端部分的难题；而采用参数自适应策略则解决了分割三维病灶两端部分时分割精度不高的难题。该方法由于在分割过程中结合了三维空间信息和采用了参数自适应策略，能在保证三维病灶中间部分分割精度的同时提高病灶两端的分割精度，而且，整个分割过程为自动过程，分割结果相对客观。为了对分割方法进行直接评价，本研究巧妙的将计算重叠率评价方法与“非监督”评价方法相结合；评价结果显示本研究提出的分割方法具有较高的分割精度。同时，为了进一步对分割方法进行间接评价，本研究将分割方法运用于肿瘤分类实验：基于分割肿块，提取了动态增强特征、形态学特征、统计学特征和纹理特征共17维特征，并进行了SVM-RFE特征选择和SVM特征分类实验，分类结果表明，基于分割区域提取的病灶特征具有良好的分类率，从而佐证了本文方法具有良好的分割效果。