由于信息科学技术的迅猛发展,信息量呈爆炸式增长。而图像是人类获取信息的重要途径。在临床医学中,磁共振(Magnetic Resonance,MR)图像有着高对比度、高分辨率、多方位等优点,广泛应用于各类脑研究。为了有效提取图像中的关键信息,图像分割是图像处理中必不可少的环节。但是,由于脑部MR图像中存在着部分容积效应、灰度不均匀性以及噪声等缺陷,对其进行精确分割较为困难。基于模糊C均值聚类(Fuzzy C-Means,FCM)的图像分割算法是一类经典的算法,它能够较好地描述MR图像中存在的组织边界模糊等现象,因此在脑部MR图像中获得了较多应用,但其也存在易陷入局部最优、对噪声敏感等缺陷。本文重点对图像分割算法进行了研究,并做了如下工作。(1)本文通过对各类分割算法的分析,选择了模糊C均值聚类分割算法。针对该算法易陷入局部最优的缺陷,本文引入一个改进的量子粒子群算法(Improved Quantum Particle Swarm Optimization,IQPSO),提出了基于IQPSO的模糊C均值聚类算法(Fuzzy C-Means based on IQPSO,FCM_IQPSO),对脑部MR图像进行分割。该算法可以优化其迭代寻优过程,改善易于陷入局部最优值的缺陷。通过对比仿真测试的结果,发现FCM_IQPSO算法的分割效果要优于其他算法。(2)本文针对FCM算法忽略脑部MR图像的邻域像素相关性的缺陷,以及该算法非线性数据处理能力差的缺点,将图像的空间信息引入算法的目标函数中,并引入高斯核函数,将其推广到核空间。在此基础上,提出了基于空域相关性的核模糊C均值聚类算法(Kernel Fuzzy C-Means based on Spatial Correlation,KFCM_SC)。本文最后进行了对比测试。仿真结果表明,KFCM_SC算法可以取得良好的分割效果,且对噪声具有鲁棒性。