脑组织图像分割在医学图像分析中具有重要的理论与应用价值。现有的很多图像分割方法都是基于传统统计学理论，是基于样本数趋于无穷大的渐近理论，而对于高维特征、小样本数的问题很难获得好的结果，所以分割效果不是太理想。由于支持向量机(SupportVectorMachine,SVM)被看作是对传统学习分类器的一个好的替代，特别是在小样本、高维情况下，具有较好的泛化性能，因此可采用支持向量机方法对核磁共振(MagneticResonance,MR)脑组织图像进行分割研究。论文的主要工作可以总结如下：(1)研究了现有的运用SVM进行图像分割的方法，并在MR脑图像下进行实验，分析了不同核函数及参数对分割结果的影响。在不同训练样本数中进行了对比试验，进一步验证了支持向量机方法在小样本的情况下具有良好的分类性能。(2)由于特征提取的好坏直接影响到分割效果，本文研究了纹理与灰度组合以及区域像素灰度两组图像特征。在提取纹理与灰度组合特征时，将由灰度共生矩阵提取的6种纹理统计特征(能量、反差、相关、熵、局部平稳性、方差)及3种灰度特征(像素灰度，像素灰度的中值滤波值及平均值)作为医学图像脑组织分类时纹理与灰度组合的图像特征。在提取区域像素的灰度特征时，除了像素本身的灰度，还提取了该像素邻域内所有像素的灰度。(3)在实际中，支持向量机方法在MR脑图像分割时，需要依照分割参考图来选取训练样本。针对这一问题，本文提出了一种模糊C均值聚类和支持向量机结合的脑图像分割方法。该方法首先采用模糊C均值聚类方法对图像进行一次初分割，并在初分割的结果中选择隶属度大的一些像素作为训练样本，并用这些样本训练的结果去预测整个图像的像素的类别。实验结果表明，与人工选择训练样本相比，该方法有更高的图像分割精度和更快的分割速度。