脑血管疾病是影响人类身体健康的最常见的疾病之一，严重时甚至威胁到生命安全，并且脑血管疾病已引起世界卫生组织的高度重视。介入手术是治疗脑血管疾病的常用手段之一，介入手术过程通常会使用数字减影造影术获取脑血管的造影图像，经过图像分割算法对血管结构的提取及三维显示，详细的脑血管拓扑结构可以辅助医生对脑血管病变部位的定位和了解病变程度以及制定合适的治疗方案。血管的三维可视化为医生对疾病的诊断和治疗提供重要的参考信息。然而，由于形成造影图像设备、造影剂试用剂量、还有患者自身等因素的影响造成最终的造影图像数据的灰度分布不均以及存在伪影等因素影响。这些因素将会影响分割结果，进而直接影响医生对造影图像的诊断和治疗方案的制定。为了解决上述问题，本文提出实现一种自动准确的分割出脑血管的方法。　　在本文中,首先我们对图像进行了增强，改进的多尺度滤波对DSA数据增强处理是为了增加血管和背景之间的对比度，并且压制噪声。在多尺度滤波血管增强方法的基础上，我们分析了基于Hessian矩阵的特征值与血管几何形状之间的关系。针对血管细小的部分增强不够明显，引入了中值响应方程（Medialness Function），Medialness响应比多尺度滤波的在管状结构中心处的响应更尖锐，更适合对信号比较弱的细小血管进行增强。实验结果表明该方法不仅可以增强血管主干部分，也可以增强信号比较弱的细小血管部分。　　其次，基于增强处理后的数据我们提取出脑血管中心线。对于高脊遍历，根据脊线跟踪算法提取出脑血管的中心线并估计出各点对应的血管半径信息。提取出增强图谱里面所有满足在26邻域最大的点为局部极大值点，并且将局部极大值点作为中心线起始点。然后根据中心点和它周围领域点之间的方向以及周围领域点多尺度响应值作为判断条件寻找下一个中心点，最终得到血管中心线。通过对Phantom数据和两套临床脑血管真实数据的中心线提取验证了该方法的有效性。　　最后，我们还对极大似然估计算法进行了研究，结合中心线提供的拓扑结构和半径信息使用统计模型法进行脑血管分割，我们分割出脑血管树。并且我们评估了分割的精度其他统计算法作比较。　　本文通过两类数据来进行算法的测试：模拟数据和临床数据。为了评估分割结果的正确率，模拟数据分割的结果同“金标准“进行比较，临床数据分割的结果通过和医生手动分割的结果比较评估分割的精度。实验结果表明该算法能够准确的分割出血管结构，并且有很强的处理噪声和干扰的能力。实验结果表明该算法对一般管状结构的提取同样有效。