图像分割是将图像的前景与背景进行分离,从整个区域中检测出目标区域,从而可以进行下一步的图像处理操作,诸如图像配准与融合,分析和理解,语义识别,三维重建等。医学影像分割是根据医学影像的特征将医学影像中的器官、组织或病变部位分离成不相交的区域。但由于医学影像较为复杂,且对比度低,易受噪声影响,存在边界不明显、人眼无法识别某些特征等特点,利用计算机分割医学影像的技术具有重要的研究意义和较高的应用价值。本文针对医学影像分割受噪声影响容易产生过分割以及分割不精确的问题,提出基于多分辨率分析的分割方法。首先对医学影像进行多分辨率变换,将医学影像分解为分辨率从低至高排列的一系列图像。然后充分利用低分辨率图像的信息,对低分辨率的图像进行去噪后重建或初始分割,把重建或初始分割得到的一系列结果作为参考值,运用到高分辨率图像上。最后运用改进的分割方法对高分辨率图像进行分割,达到滤除噪声、精准分割的目的。论文的主要工作包括:（1）基于小波变换（Wavelet Transform）的改进分水岭算法（Watershed）分割。首先对医学影像进行一级小波分解,医学影像被分解成包含低频率近似和高频率细节的图像。对高频率细节分量进行阈值去噪,然后利用低频率近似分量和去噪后的高频率细节分量进行小波重建,得到与原医学影像分辨率相同的图像。最后将标记约束的分水岭分割方法应用到重建图像上,获得分割结果。（2）基于图像高斯金字塔（Gaussian Pyramid）的模糊C均值聚类算法（FCM）分割。首先对医学影像进行高斯平滑,对平滑后的医学影像进行下采样,从而获得由底层到顶层分辨率依次降低的图像金字塔。再对顶层图像运用FCM分割,用顶层图像分割后的聚类中心初始化第二层图像分割的初始聚类中心。依次用上层图像分割后的聚类中心初始化下层图像分割的聚类中心,直至分割完原医学影像,获得最后分割结果。通过观察及对实验结果的定量评价分析,验证了本文的第一种方法与传统标记约束分水岭分割方法相比,区域数目更少,轮廓更精确,区域内一致性指标(5₀（7）数值更低,区域间差异性指标数值更高。说明本文提出的第一种方法有效结合了多分辨率下医学影像的优势,保留了原始医学影像中大部分细节信息,滤除大部分噪声,避免了图像过分割,提高了分割精度。第二种方法相比于传统FCM分割算法,分割迭代次数更少,运行时间更短。说明本文提出的第二种方法较完整提取了主要组织,缩短了图像分割处理时间,提高了分割效率。综上所述,本文提出的两种分割算法相比于传统分割算法都有所改进,更具实用性、有效性,能够更好的突出医学影像的目标区域,有较高的应用价值。