脑卒中疾病已对人体健康和发展造成巨大危害,也是致死和致残的首要因素,早期的诊断治疗对疾病发生有很好的预防效果。动脉粥样硬化斑块引起的颅内动脉血管狭窄是造成这类疾病的一个重要病因和危险因素,精确的颅内动脉斑块分割是对脑血管疾病辅助诊断治疗的基础,进行分割后的三维重建操作有助于医生直观地观察病灶。高分辨核磁共振（High Resolution Magnetic Resonance,HRMR）图像可清楚地反映出动脉血管壁的结构并判断责任斑块的位置,以便于把颅内动脉斑块精确划分开来。本文首先提出了一种新颖的子空间聚类算法,然后采用所提的子空间聚类算法对颅内HRMR图像实现动脉粥样硬化斑块的分割,最后对分割得到的斑块图像进行三维重建。主要进行了以下几方面的研究:（1）针对颅内HRMR图像易受噪声影响的问题,提出了一种联合学习亲和度矩阵和表示矩阵的鲁棒低秩多核聚类算法（Joint Learning Affinity matrix and representation matrix for robust low-rank multi-kernel Subspace Clustering,JALSC）。在该方法中,使用加权Schatten-p范数约束共识核,以保持数据映射到特征空间后的全局结构。为学习最佳共识核,引入多核加权策略,该策略引入熵度量加权给每个基核分配一个适当的权重,使JALSC方法能有效处理包含复杂噪声的数据。利用自适应局部结构,在统一的目标函数中同时学习亲和度矩阵和数据表示矩阵。通过联合学习方案获得的最佳亲和度矩阵有助于提高聚类性能以及后续的图像分割精度。在六个公共数据集上的实验结果,验证了本文算法的优异性能。（2）在基于子空间聚类的分割框架中,通过引入先进的JALSC算法,提出了一种基于JALSC的颅内动脉斑块分割算法。为解决HRMR图像斑块边缘模糊及噪声影响,对原始斑块图像进行了非局部均值滤波及边缘增强。本文的颅内动脉斑块分割算法框架,主要分为四个步骤:首先对原图像进行预分割获得一系列超像素块,然后提取它们的灰度统计等特征,将得到的特征矩阵作为数据矩阵在JALSC模型中进行聚类,输出用于谱聚类的最优亲和度矩阵,最终通过谱聚类得到斑块图像分割结果。实验对比结果表明,本文算法获得了较好的分割结果。（3）采用光线投射算法在三维可视化工具包（Visualization Toolkit,VTK）上实现了斑块分割结果的三维重建及可视化。颅内动脉粥样硬化斑块的可视化效果多维度地显示了斑块的形状和位置信息,可帮助医生直观观察病灶,为临床诊断、手术治疗方案的设计提供了依据,提高医生诊断效率及准确度。