医学影像成像技术现已成为医疗诊断中必不可少的工具之一。各种成像技术提供的全方位的数据信息方便了病情的诊断,也极大的提高了病情诊断的正确性。在各种成像技术中,核磁共振成像(MRI)是种非电离辐射式成像,属于无创伤性检查,提供多参数、多序列成像,且对软组织的分辨率极高,在脑和脊柱的显示方面优于CT。近年来,脑部疾病的发病率和致残率逐渐提高,严重威胁人类的生命健康,所以脑MRI图像的处理和分析成为了人们研究的热点。医学图像分割是对图像进一步分析和处理的基础,可为三维重建、手术仿真、医生辅助诊断提供支持。由于MRI图像本身的特点以及成像过程中电子噪声的影响,使MRI图像的分割成为医学影像分析中的难点问题之一。本文的主要工作如下：(1)研究并实现了一种基于MRF (Markov Random Field)的高斯混合模型的MRI图像分割方法。该模型包含了空间信息,提高了分割结果对噪声的鲁棒性,克服了其他混合模型复杂、计算量大的弱点。另外,该模型也克服了以往的基于MRF的混合模型中,期望最大化(EM)算法无法直接用于估算先验分布的缺点。实验结果表明,该算法的性能优于经典的FANTASM和HMRF-FCM等分割算法。(2)研究并实现了一种利用狄利克雷分布的t混合模型的MRI图像分割方法。该方法利用了狄利克雷分布和狄利克雷定律结合相邻像素间的空间关系,对噪声有较强的鲁棒性。与基于MRF的诸多算法相比,该算法需要计算的参数较少,计算量显著降低。此外,该算法也改变了以往对于t分布的处理,使用梯度法估计模型参数,直接处理t分布。通过实验验证了该方法优于前一种基于MRF的高斯混合模型分割方法。(3)提出了一种新的包含空间约束的t混合模型的MRI图像分割方法。该方法没有采用MRF模型,也没有引入狄利克雷分布,而是利用先验分布结合相邻像素间的空间关系。因为没有额外模型或分布的参数的引入,所以算法快速、直观且容易实现,为了避免复杂化,该算法也是直接处理t分布,并使用梯度法估计模型参数。通过对比实验表明了该方法对噪声的鲁棒性以及分割的准确性。