脑肿瘤分割在疾病的辅助诊断、治疗方案规划以及手术导航中扮演着重要的角色。部分患有恶性脑肿瘤的病人通常只有非常短的预期寿命,而制定合适的治疗计划是提高患者生活质量的关键。由于磁共振成像具有高度的软组织分辨率,因此在临床上广泛使用磁共振成像技术评估肿瘤。然而大量数据的出现,加上手动分割的经验误差,因此越来越需要自动和可靠的脑肿瘤分割方法。本文首先系统的介绍了脑肿瘤MRI图像分割技术的发展和当前最新的研究现状,以及脑肿瘤分割的难点,然后详细介绍并推导了实验采用的稀疏编码与字典学习理论。针对磁共振图像特征间的非线性相关性,本文采用三维FLAIR模态的MRI数据,提出了基于灰度特征和核稀疏编码的全自动脑肿瘤分割方法。为了捕获磁共振图像中的非线性特征,采用核字典学习方法对肿瘤和非肿瘤区域分别建模学习出两个字典,将最终结果分割为肿瘤区域和非肿瘤区域,并对分割结果进行了分析和评估。为了研究不同特征对基于核稀疏编码与字典学习的分割方法的影响,本文提出一种基于高阶统计特征和核稀疏编码的全自动脑肿瘤分割方法。通过提取磁共振图像目标像素点及周边区域计算出一阶和二阶统计特征代替前边采用灰度特征作为特征向量。最后,为了满足比赛的要求并与排行榜的最新方法对比,本文提出了基于多模态的脑肿瘤分割方法。多模态脑肿瘤分割大赛(BRATS)提供了多个模态的数据,多模态数据已经经过线性对准,空间分辨率为1mm。大赛所提供的标签将肿瘤区域划分为了5个类别,并且提供了三种分割结果的评估,即完整肿瘤区域、肿瘤核心区域和增强型肿瘤区域。由于不同类型的肿瘤在不同模态下会有不同的表现,因此首先对预处理之后的多个模态磁共振图像进行k均值聚类算法选择出可能性的肿瘤区域,然后分别构建五个字典。为了评估分割性能,分割结果上传到大赛的在线评估系统,Dice Score,PPV,Sensitivity和Kappa四个指标被用于评估分割结果。MRI图像中相邻像素点及周边区域存在着高度的相关性,利用局部图像块对肿瘤区域与非肿瘤区域进行建模研究取得了显著的成功。然而每个MRI模态对病理组织都具有不同方面的敏感性,多模态MRI图像数据之间仍然存在着某种相关性,采用多模态数据增加特征数量理论上可以明显改善肿瘤分割特性。另外采用高阶统计特征的分割方法与采用基于灰度特征的分割方法相比需要更少的字典原子数目就能达到很高的分割准确率,然而却需要更多的时间消耗,显然后者拥有更高的性价比。实验结果表明本文所提出的方法在脑肿瘤分割上有不错的表现。