随着人工智能的发展,智慧医疗已成为目前炙手可热的智能应用领域,在医学图像处理方面发挥着重要的作用。医学影像成像技术在临床医学领域的不断发展,使得人们对图像的依赖性逐渐增强,对诊断的准确率需求不断提高。因此,医学图像处理技术依然有很大的提高和发展空间。其中图像分割一直是该领域的突破点,尤其是针对脑部核磁共振这类灰度不均、存在部分容积效应、既模糊又复杂的图像,很难获得较高的精度。由于每个人脑内部组织存在差异性,在对MR脑图像进行分割的过程中,准确得到脑图像中白质、灰质、脑脊液的位置分布,是对后续医学诊断至关重要的一步。本文基于多任务、多视角聚类算法,实现对脑部图像的分割处理,得到更高的分割精度。本课题研究过程中具体工作如下:（1）对于脑部核磁共振图像的分割主要通过聚类的机器学习方法来实现。传统的聚类方法都是单任务聚类,单任务学习只能从单个对象挖掘出有限的信息,并不能有效地利用任务之间的关联得到更多有用信息,在处理多任务场景方面就有所限制。本文设计出一种新的与模糊系统相结合的多任务协同学习的框架,提高其学习能力和可解释性。（2）提出一种新的多任务加权模糊C均值（MT-WFCM）聚类算法,共享代表不同任务相关信息的公共聚类质心,避免了原始数据实例中存在的噪声的负面影响。同时处理多个任务数据,从中提取出各任务之间的共性信息,通过利用这些信息来提高每个任务的聚类性能。同时,在分布式MT-FCM分割算法中采用了简单的采样策略,减少了聚类时间消耗,有利于算法的实用性,从而改善分割效果,完成分割任务。（3）提出了一种新的多任务正则化平方熵聚类算法（MT-QRC）,对脑部MR图像进行聚类分割。尽管模糊C均值算法在图像处理上可以很好地刻画MR图像存在的模糊情况,但是它依赖于初始聚类中心等初始参数的选择,并且它的改进方法较为单一,所以尝试选择平方熵算法作为基础模型,用平方熵控制的参数项替代模糊聚类中的模糊指数,减少了模糊指数在聚类中的局限性,增强了参数的灵活性。（4）采用视图权重自适应学习机制提出改进的多视角模糊C均值（IMV-FCM）,使每个视图根据其聚类贡献获得最佳权重,最后通过视图集成方法得到分割结果。在视图权重自适应学习机制下,各个视图之间的协调更加灵活,每个视图都可以自适应学习,达到更好的聚类效果。（5）本文所提出的多任务、多视图聚类算法实验表明,具有良好的脑部核磁共振图像分割效果,提高效率和准确率,调整相应的权重,在MR图像分割中获得更好的性能。