医学图像分割是其他医学图像后处理(如三维可视化、手术导航等)的基础,为了准确地分辨医学图像中的正常组织结构和异常病变,需要对医学图像进行分割,它是当前医学图像处理与分析领域的一个热点和难点。首先,本文对目前国内外研究的多种图像分割方法进行了综述,并将研究目标定位在基于马尔可夫随机场(Markov Random Field, MRF)模型的医学图像分割算法研究上,系统研究了MRF模型的基本理论及其在图像分割领域中的应用。其次,由于医学图像自身的复杂性,单纯结合一种图像信息对医学图像进行分割,传统MRF模型往往得不到较好的分割效果。在MRF模型的框架下,本文提出了一种综合图像先验信息和边界信息的混合MRF模型,构造了一种在邻域系统内能同时利用图像边界信息和灰度信息的先验能量函数,从而取得更加细腻和准确的边界分割效果。此方法对医学图像的弱边界和区域凹陷等特点,具有较高的分割可靠性。在基于混合MRF模型的分割方法的实现上,为了提高分割效率,本文又提出一种加入概率表的模拟退火(Simulated Annealing with Probability Table, SAP)算法。该算法以概率表为依据,对边界场和标号场进行更新,并成功应用到医学图像分割中。仿真实验结果和差异实验评估方法证明了所提出算法的有效性和准确性。再次,考虑到传统MRF模型和提出的混合MRF模型只在确定类上有定义,在医学图像分割中仍难以处理灰度重叠、模糊、部分容积效应等问题,将软分割理论引入到了MRF模型中,提出了一种改进的模糊马尔可夫(Fuzzy Markov Random Field, FMRF)模型。该模型以最大后验概率作为优化准则修正FMRF的隶属度,最后按照最大隶属度原则消除模糊性,得到图像的分割结果。仿真实验结果表明,该算法可以有效地分割灰度重叠、模糊区域和消除部分容积效应,分割结果更为准确。最后,对本文的研究工作进行了总结,并对未来的研究工作进行了展望。