为了有效地从脑核磁共振图像中获取有价值的信息,研究者通常对图像进行自动处理与分析。而图像分割是所有图像分析中关键的一步。在过去的几年里,研究人员在脑提取和组织分割上,提出了许多相关的新算法,诸如BET,BEAST,LABEL等。然而,在脑MR图像上对脑颅骨进行的分割算法却很少有人研究。一方面,由于在MR图像中颅骨的成像质量较差,另一方面,颅骨在MR图像中呈现的状态不同,有时低密度,有时高密度,甚至与周围组织灰度相近。事实上,脑MR图像的颅骨分割工作在某些领域中有很重要的应用。例如,脑电图和脑磁图的源成像问题和PET-MRI一体机的衰减矫正工作。在构建源成像的正向矩阵问题中,因为人大脑的独特导电率分布,使用标准的人脑模型代替球模型,能提高其准确性。由于颅骨和软组织在导电率方面存在巨大差异,颅骨的分割在提高源成像的精度方面具有重要的作用。为了后续传导矩阵计算方便,要求颅骨部分呈现闭合状态。而目前的MR图像颅骨分割算法不能处理闭合颅骨分割问题。本文提出的第一种颅骨分割算法能生成闭合的颅骨模型。基于弹性形变的算法的框架来源于由smith等人在2002年提出的BET算法。本文的算法在BET的原型基础上,变化曲面点的演变公式,分出颅骨内层和外层。我们将自动分割结果与手工分割结果进行对比,并与经典的方法进行比较,证明了本文方法的有效性。为了完成PET-MRI一体机的衰减矫正工作,精确的分出MRI图像中的颅骨部分起到了至关重要的作用。然而,一些相关的颅骨分割算法鲁棒性较差,比如2005提出的基于形态学的分割算法。本文原创的提出基于模板融合和分类的颅骨分割算法,其鲁棒性较好,分割准确度较高。基于模板融合和分类的颅骨分割算法,思想来源于各种深度学习,分类的算法。由于分割的本身也是一个分类的过程,研究者将目光集中在基于分类的分割算法研究上。但由于颅骨在MR图像中成像模糊,单纯使用分类的方法效果不理想。故在本篇论文中,又提出一种将模板融合作为先验信息,再进行分类的算法。通过与CT图像中颅骨区域作为金标准的结果进行比较,该算法有较高的准确性。本文就颅骨的分割工作展开,第一章主要说明了课题的研究背景及意义。在第二章中,就传统的颅骨分割算法展开,主要介绍了基于边缘,区域和活动轮廓模型的分割算法。在第三和第五章中分别详细地介绍了提出的原创颅骨分割算法。在第四章中,介绍了离散粒子群优化算法在特征提取方面的内容,为第五章内容做铺垫。最后一个章节主要对全文进行总解。