近年来，医学图像广泛应用于临床诊断，医学图像分割技术作为特定组织测量、病变区域提取以及三维重建的必要手段，在辅助医生诊断、治疗疾病等中的地位越来越重要，且对现代医学的发展具有极其重要的意义。因此，医学图像分割的研究有重要的理论价值与宽阔的应用前景。　　模糊C均值聚类算法将核模糊聚类引入到图像的像素隶属度中，是基于目标函数的聚类算法，且理论完善、应用广泛，能够保留更多原始图像信息。基于核函数的模糊C均值聚类在性能上对比于传统的模糊聚类方法有了较大地改进。其通过引入核函数，对图像的特征具有较好的适应性和抗噪性，对于图像中的随机性与模糊性具有良好的分割效果。水平集方法，极大地推动了活动轮廓模型的发展。基于现有水平集图像分割模型和框架基础，李春明等提出了无需重新初始化的变分水平集图像分割模型，完全消除了水平集函数重新初始化的步骤并具有良好的鲁棒性。由于该模型没有利用图像全局信息而是仅仅基于梯度信息，因此易产生弱边界泄漏现象。　　基于此，本论文为弥补它们各自所存在的缺陷，将上述两种算方法相结合，提出了基于核模糊聚类的变分水平集医学图像分割模型。现将本文的主要工作归纳为以下几点:　　(1)论文在阅读大量相关文献的基础上，学习了医学图像分割及其分割算法，并系统地研究了水平集方法，特别是变分水平集模型的基本理论和关键技术。　　(2)研究模糊C均值聚类算法(Fuzzy C-Means，FCM)、核模糊聚类算法(Kernel Fuzzy C-Means，KFCM)理论的基础上，结合了无需重新初始化的变分水平集分割方法，针对边缘模糊、对比度差等医学图像进行分割。将初始图像先进行KFCM聚类，然后得到的图像经过阈值处理后带入到水平集初始函数，并设定相关的参数进行最后的图像分割。针对三组医学MR图像分别进行实验，验证了算法的有效性。　　(3)对水平集中的边缘指示函数进行改进，进而提出了改进的医学图像分割算法。能够一定程度的弥补所提基于核模糊聚类的变分水平集分割算法存在的不足，如检验目标弱边界、边缘凹凸度较强区域仍存在局限性等。用李模型与本文提出的两种方法对两组MR医学图像进行分割实验，通过主观比较与客观评价验证了算法的有效性。　　论文对边缘模糊、灰度对比度差、内部图谱结构复杂等医学图像的分割展开研究与探讨，针对原有算法的不足，将核模糊聚类与变分水平集算法相结合并对其进行改进，对不同的MR医学图像的实验结果表明本论文提出算法的有效性。