婴幼儿时期是人类智力发育与大脑发育的关键时期。近些年研究发现,婴幼儿脑部疾病的发病率呈现上升趋势。因此,探索婴幼儿脑部疾病的早期正确诊断方法,对患儿脑部疾病的康复具有重要意义。由于婴幼儿脑部结构的复杂特点,通常需要医生对其进行人工手动分析。所以,对婴幼儿脑部图像进行自动的处理和分析,定量地分析脑结构是十分重要的。本文研究基于配准算法的婴幼儿脑MR图像自动分割框架,是婴幼儿脑部图像的精确分析的前提条件,同时为医生提供了有价值的辅助诊断信息。因此,本文研究在婴幼儿脑部疾病诊断方面,具有重要的科学意义。本文研究了基于配准算法的婴幼儿脑MR图像分割框架,主要研究了婴幼儿脑图像配准算法与基于配准算法分割框架的建立。本文进行了如下的研究分析：(1)研究了传统Demons算法与主动Demons算法。在此基础上,结合正交梯度方向与曲率理论,将梯度方向作用力与正交梯度方向作用力合成为新的作用力,对主动Demons算法进行了改进。(2)研究了基于特征向量的二维婴幼儿脑图像的配准算法。包括多尺度空间图像的构造、提取特征点、特征向量的构造、特征点匹配等。提出了基于128维特征向量的改进Surf算法。(3)研究了基于属性向量的三维婴幼儿脑图像的Hammer配准算法。详细研究了算法中的能量函数、属性向量、图像形变机制、平滑位移场、多分辨率框架等。通过定义驱动体素选择函数和用薄板样条插值的方法,对Hammer算法进行了改进。(4)研究了基于配准算法的婴幼儿脑图像分割框架。基本原理是将模板图像与样本图像进行配准,配准完成之后得到空间变换,然后利用这个空间变换把模板图像的分割结果映射到样本图像,从而实现对样本图像的自动分割。实验结果表明,本文提出的基于配准算法的婴幼儿脑MR图像分割框架能够实现婴幼儿脑部图像的自动分割。同时,证明了改进的图像配准算法与原算法相比,能够更加精确地实现图像的配准。