医学图像分割是图像分割在医学领域中的一个非常重要的典型应用，它所推动的计算机辅助诊断系统正在现代医疗发展中起着越来越重要的作用。更重要的是，医学图像分割技术的发展不但深刻影响着医学图像处理中其它相关技术(如可视化、3维重建、手术模拟、图形引导手术等的发展)，而且在生物医学图像的分析中也占有十分重要的地位。对大脑MR图像(特别是海马结构的图像)进行分割是对脑部组织进行体积测量、三维重建的关键和基础，而海马结构的体积测量是某些疾病影像诊断重要的高新科技方法，在颞叶癫痫、阿尔茨海默病、精神分裂症等神经系统疾病的临床诊断、治疗、疗效评价及计算机辅助诊断(CAD)等方面都有重要的应用价值。近年来，已经有越来越多的研究人员致力于医学图像的分割方法的研究，并取得了显著的成果。但是，已有的半自动和全自动脑部图像分割方法，以及基于图像库的配准方法，都有着很多局限性，诸如只局限于图像的局部特征，抗干扰性差，运算速度过慢等，这些都限制了它们在医学诊断中的进一步应用。 针对过去已有算法的局限性，本文结合课题要求和医学图像处理的特殊性，重点研究了大脑MR图像、海马结构图像以及其他医学图像分割算法的新思路和新方法，包括基于小波和分水岭的医学图像分割方法、基于小波的医学图像边界跟踪方法和基于小波归一化割的医学图像分割方法。具体的研究内容和研究成果如下： 1) 针对分水岭分割容易造成图像过度分割的问题，本文提出了一种改进的图像分割方法，它基于小波变换和应用标记的分水岭算法。该方法大大提高了运算速度，同时有效地解决了分水岭变换方法中的过度分割问题，从而保证了分割的效果。 2) 针对大脑图像中纹理复杂，难以区分非正常区域和正常区域边界的问题，本文提出了一种改进的基于小波多尺度分析的边界跟踪方法。该方法首先对大脑图像进行小波变换得到图像的多分辨率表示，然后利用一种改进的轮廓跟踪算法对最低分辨率的图像进行跟踪，最终获得了大脑中病变区域边界。