医学影像在病症诊断,科学研究,教学等方面发挥着举足轻重的作用。医学图像分割是医学图像处理中一项非常重要的工作,也是图像处理领域中研究的热点和难点,由于人体结构复杂性,医疗成像设备的性能,外界电磁辐射的干扰,医学图片具有模糊,噪点比较多等特点。另外,不同的人在组织结构上还有着一些细小的差别,这些都给医学图像分割带来了很多困难,到目前为止还没有一种算法能胜任各种领域的图像分割任务。为此,本文针对医学图像分割算法进行了深入的研究,提出将集成学习技术引入医学图像分割算法中,首先使用目前主流的分割算法,对同一个医学图像素材进行分割,得到相应的一个分割结果集合,接着使用集成学习技术,将这个分割集合进行集成运算,产生一个更好的分割策略,最后使用这个分割策略对原始图像进行分割,实验结果证明,基于集成学习的图像分割算法取得了良好的效果,本文所做的主要工作和研究成果如下:(1)介绍了国际上常用的医学图像分割算法,并着重介绍了K均值算法,FCM算法和区域生长算法以及这些算法的应用范围和优缺点。(2)根据K均值算法的特点,将集成技术与K均值算法相结合,提出了基于集成技术的W-MEANS算法,由于K均值具有随机性,因此我们对同一副图像使用K均值算法进行多次分割,得到一个分割结果的集合,然后使用求平均值的集成学习方法取得这个样本的均值,然后基于这个均值设定一种规则,最后对原始图像使用这种规则进行分割。实验结果证明,W-MEANS算法解决了K均值算法由于随机选取初值造成的鲁棒性不强的问题,而且较之于K均值,新的算法的分割精度和效率都有了非常明显的提高。(3)提出了基于FCM和区域生长算法的集成技术混合分割模型,由于医学图像的复杂性,而FCM算法虽然分割的结果比较完整,但是对比度不够,而区域生长算法可以弥补FCM算法的不足,因此我们还是使用这两种算法分别分割图像得到一个结果集合,然后使用加权求和的方式对这两种算法的结果进行集成,最后我们将集成以后的混合模型应用在医学图像分割中,特别是脑部分割领域中。实验结果表明,集成以后的混合模型较之于模型中的个体算法,具有更好的分割效果和精度,而且继承了个体算法的优点,弥补了个体算法的缺点,特别适用于灰度值差异度很小的脑部图像的图像分割任务,具有较大的实用价值。