近年来,随着医疗技术水平的提升、新生儿重症监护病房(NICU)的普及,高危儿和极低体重儿的生存率大幅度提升,婴幼儿脑部疾病的发生率显现上升趋势。而婴幼儿期(这里指0～2岁)是大脑发育的关键时期,是脑发育的基础,其影响会一直延续到成年时期,所以对此时期的脑发育进行有效地分析与预测具有极其重要的意义。但目前大部分的婴幼儿脑发育研究还处于理论阶段,尚没有有效的检测指标。因此,本文提出对婴幼儿脑图像的脑皮层复杂度进行研究,分析婴幼儿的脑发育情况,提出有效的监测指标,建立婴幼儿脑发育的正常模式标准。本文首先研究了基于纹理特征的婴幼儿脑皮层复杂度度量算法。通过改变网格划分方式、增加分形参数与考虑不完全处理,改进了传统的计盒维法,提出了改进的计盒维法,并在此改进的计盒维法的基础上,引入了小波分解,以更好的聚焦婴幼儿脑图像的细节信息,分析婴幼儿脑图像的局部化特征。接着研究了基于形状特征的婴幼儿脑皮层复杂度度量算法。通过利用小尺度建立角点候选集,增添删去伪角点与椭圆角点部分,以改进传统的CSS角点检测算法。然后利用此改进的CSS角点检测算法对婴幼儿脑图像进行角点检测,把所得结果作为质心距离标记的标记点,利用质心距离标记法对婴幼儿脑图像的边缘轮廓进行标记,分析被标记的边缘轮廓的曲率分析指标值与熵指标值。经实验验证,该算法可以很好的分析婴幼儿脑图像的形状复杂度,很好的分析婴幼儿的脑发育情况,为今后的脑诊断提供有效的评判依据。最后研究了基于改进回指标的婴幼儿脑皮层复杂度度量算法。通过结合最佳阈值分割算法、形态学与轮廓跟踪算法,提出了基于最佳阈值分割的边缘轮廓提取算法,用此算法提取婴幼儿脑图像的内轮廓。通过预先剔除部分凸包内部点与改变凹凸性判别方程,改进了传统的Graham算法,提出了改进的Graham算法,以此改进的Graham算法提取婴幼儿脑图像的外轮廓。利用提取出的内、外轮廓长度的比值来计算婴幼儿脑图像的回指标值,通过此回指标值来分析脑沟回的深浅程度及脑发育情况。