图像分割是医学图像处理过程中最关键的步骤之一,其效果的好坏直接决定了后续工作的质量。然而,由于医学图像本身所具有的各部分边界不明显的特点,使得分割的过程困难重重,本次论文工作在模糊连接度理论框架的基础上提出了两种改进的图像分割方法。第一种方法结合了区域生长算法以及基于多种子点的分割算法,在理论推断和实验中,证明了该方法可以有效地克服前人提出的算法中手工选择种子点时所导致的目标区域分割不精确以及在面临多块不相邻的目标区域时无法完整分割的问题。从实践来看,多种子点的选取技术不仅仅可以分割出完整的结果,还可以提升每一部分分割的完整性,有着一举两得的作用。第二种方法使用了基于非对称逆布局模型的分割算法作为模糊连接度的预处理步骤,该分割算法可以将图像分为拥有相同灰度级的子模式集,从而大大减小处理时所需参与计算的像素数目,顺带也减少了存储时所占用的空间。本次论文工作从理论方面描述了非对称逆布局分割算法和模糊连接度算法相结合的可行性和优越性,并通过实验证明了上述推论。从结果来看,该算法有着占用存储空间小,运算速度快,并且和传统的模糊连接度算法相比分割效果基本不损失的效果,对于基于模糊连接度理论的医学图像分割算法理论分支是一种很好的补充。为了验证所提出的方法,使用了来自于大型医院的原始真实图像来进行测试,以保证数据结果的代表性和真实性,通过计算重合率(Dice)、过分割率(OR)和欠分割率(UR)来进行效果评估,从而量化本文的算法效果,结果表明,本文所述方法在对于医学图像的分割方面有着良好的效果和低的时间复杂度。本次的论文工作理论严谨、测试过程有说服力,有着一定的研究成效。