核磁共振成像(NuclearMagneticResonanceImaging，MRI)技术是一种年轻而先进的医学影像技术，其任意的截面成像、丰富的人体软组织对比信息、对人体无放射性损伤等显著优点使其在影像医学诊断中越来越显示其优越性。但是由于MR图像的数据量很大，且对图像的定量分析很困难，导致了手动处理、分析和解释的困难，这就阻碍了MRI的有效利用。因此，计算机辅助下的自动或半自动图像分析技术是非常必要的。在临床中，对MR脑图像进行分割，特别是提取分割灰质、白质、脑脊液，是一项很有用处的任务。 从上世纪70年代以来，图像分割尤其是对MR脑图像进行的组织分割吸引了许多研究者为之付出巨大的努力，从各种角度提出了不同的分割算法，每种算法都有其优点，但也存在着不足。尽管MR图像具有较高的空间分辨率和软组织对比，但仍存在各种原因如电子学噪声、射频非均匀性、部分容积效应以及不同受检者的结构差异使得组织分割任务变得困难，目前为止，还不存在一种可以在任何条件下对所有图像均有效的通用的分割算法。因此，以前的研究者大多致力于提出新的分割算法，而最近的大量文献逐渐表明，他们正在改变方向：即结合现有的多种算法的优点来实现有效分割. 本论文的目的是探索一种全新且不断发展的方法进行数字MR脑图像的组织分割。与众不同的是，本文采用一种基于行为的分布式多智体系统(Multi-AgentSystem.MAS)作为中心，结合其它分割方法和先验知识形成一个协作框架，共同完成分割任务。大量基于行为的智体散布在整个待分割图像中，智体的行为相互独立，如区域智体的种子增长行为和边界智体的边缘探测行为。最近几年，国外开始出现少量文献报道应用多智体系统进行数字图像处理领域的研究，主要集中在模式识别方面，应用在图像分割(尤其是MR脑图像分割研究)的尚为寥寥。在国内，目前，多智体系统还仅是一个控制理论中的概念，在数字图像处理领域尤其是图像分割研究中尚未出现多智体这一提法，也未见诸任何文献.本论文借用多智体这一提法，还需争得同领域研究者的指正。 本论文较之其它MR脑图像分割方法而言，有以下四点不同之处：其一，本文所应用的MAS算法，具有较强的图像适应能力和容错特性，不需多次迭代计算，运行时间短；其二，本文以MAS算法为核心，结合形变模型和边缘探测器，以不同模式形成协作系统，共同完成分割任务，相对应用单一算法的方法而言，具有更强的鲁棒性和更好的精确性；其三，本文的协作系统相对于其他的类似系统而言，是真正意义上的协作，其他方法一般是时序上的协作，即将一种算法的输出作为另一种算法的输入，按照时间顺序依次处理最后输出分割结果。本文的协作是一种时空、信息并带有反馈的全方位的协作.其四，本文明确提出将各种先验知识和领域知识以不同的准则形式直接引入分割过程中.其它方法有的根本未用到领域和先验知识(如数据驱动的方法)，有的即使应用了先验也只是隐式的，并未明确指定入口方式。