生物医学图像处理是近年来计算机视觉与模式识别领域研究的热点。生物医学图像具有直观、形象和信息量丰富等特点,便于观察,在现代医学临床诊断和实验研究中已占据越来越重要的地位。因而生物医学图像的采集、处理、分析,成为了当前医学信息研究的热点和前沿课题。基于生物医学图像的分割技术,可对生物医学图像的内容进行分析,从而帮助医务人员诊断和制定医疗方案。但是由于生物医学图像具有分辨低、噪声大、图像特性差异大的特点,为该类图像的分割带来了困难。因此先对生物医学图像进行去噪等预处理就具有重要的研究意义,对此本文所做的主要工作如下：(1)传统的基于空域的图像去噪方法,如均值滤波、中值滤波、维纳滤波和基于偏微分方程的滤波等,在去除噪声的同时不能很好的保持图像的细节,进而引入了非局部均值去噪模型。它考虑了灰度上的片相似性和像素邻域的空间关系,从而满足了对图像细节保持的要求,但是该模型在相似搜索时耗费太多时间,从而时间效率不高。因为一幅图像的特征细节还是少数的,本文针对这个问题,提出了一种改进的非局部去噪模型。它选择性的选取去噪方法,在细节特征处选取非局部去噪方法,在同质区域选择了Mean Shift去噪方法,从而既保持了非局部去噪模型对细节保持比较好的优点,又克服了其时间效率不高的缺点。实验证明本文方法在较好改进去噪效果的前提下有效地提高了去噪的时间效率。(2)传统FCM分割模型,仅考虑了图像灰度信息,而忽略了像素间的空间位置关系,因此对噪声较为敏感。针对这个问题,本文利用Gibbs理论和图像结构张量信息构造各向异性的Gibbs场,降低噪声影响,并将其引入到FCM模型框架中,完善了FCM模型分割效果,有效地保留了细长结构和角点信息。本文还将其应用于虚拟人脑图像分割,实验证明本文提出的算法可以得到较好的分割结果。