在医学图像中，对人体各种组织的正确分类不仅可以为临床组织病变提供计算机辅助诊断依据，而且也是图像三维重建和医学图像可视化的基础。医学图像分割算法的研究是当前医学图像处理和分析的热点，是人们完成解剖结构的定量分析，相关诊断信息提取的关键步骤。由于医学图像特有的复杂性，目前还没有一种普遍适用的分割算法。目前可用于医学图像分割的方法主要有以下几种：阈值分割技术、微分算子边缘检测技术、区域增长技术和聚类分割技术。大多数分割算法是半自动的，即满意的分割结果离不开人工专家的介入。由于人体结构个体差异性比较大，且混有噪声，构成了图像分割所面临的主要困难。本文主要对结合异质扩散和小波包分解的医学图像分割算法及其在医学图像中的应用进行了研究。 噪声降低了图像的质量，因此降低了人们辨别图像细节的能力，导致进一步的图像处理变得更加困难。于是在平滑图像的同时保护图像的边缘变得很有必要，而传统的滤波器，例如：线性滤波器、均值滤波器、中值滤波器、高斯滤波器不能在平滑图像噪声的同时保护图像的边缘。本文提出了一种新的医学图像解剖结构特征提取算法，结合各向异性扩散方程和小波包分解实现了医学图像分割．在异质扩散基础上提出一个新的FAB扩散方法对图像进行去噪，在去除噪声的同时，图像解剖结构的边缘和局部细节得以保持；然后用一个基于小波包分解的自适应边缘检测算法来检测图像的解剖结构的轮廓特征。结果表明该方法能有效去除噪声的基础上完成医学图像解剖结构轮廓特征的提取。 论文的主要工作可以简单总结如下： (1)对异质扩散模型和小波包分解进行了深入的分析，通过实验验证了异质扩散模型可以应用在图像分割工作中。 (2)通过噪声检测，检测出孤立噪声点用中值滤波处理。采用基于各向异件扩散的偏微分方程，其初始值为输入图像，转化为差分格式迭代求解滤波结果。在去除噪声的同时，保持重要的边缘和局部细节。在此基础上提出了8向的各向异性扩散和边缘增强的处理技术，取得了满意的结果。 (3)用一个基于小波包分解的自适应边缘检测算法来检测图像的解剖结构的轮廓特征。结果表明该方法能有效去除噪声的基础上完成医学图像解剖结构轮廓特征的提取。