医学图像分割是图像分割的一个重要应用领域,也是一个经典难题,至今已有上千种分割方法,既有经典的方法也有结合新兴理论的方法。Vapnik等学者首先提出了实现统计学习理论中结构风险最小化原则的实用算法—支持向量机,比较成功地解决了模式分类问题。其后,机器学习界兴起了研究统计学习理论和支持向量机的热潮,引人瞩目的研究分支有从最优化技术出发改进或改造支持向量机,依据统计学习理论和支持向量机的优点设计新的非线性机器学习算法等。支持向量机(Support Vector Machine,SVM)方法就是利用最优分类面(线)将两类样本在特征空间或输入空间中准确地分开,而且要使两类的分类空隙最大。因此标准的SVM方法需要求解二次规划问题,计算量很大。脑组织图像分割在医学图像分析中具有重要的理论和应用价值。由于支持向量机被看作是对传统学习分类器的一个好的替代,特别是在小样本、高维情况下,具有较好的泛化性能,因此可采用支持向量机方法对磁共振脑组织图像进行分割研究。论文的主要工作可以简单总结如下:(1)实现了SVM在图像分割中的应用,通过模拟数据和真实数据的实验结果验证了该方法的有效性。(2)提出了结合模糊训练集的支持向量机分割方法。实验结果验证了该方法的有效性,讨论了未来的工作方向。