医学图像聚类就是把图像中的不同物质依据某种属性聚集成类,并使得类内相似性尽量大,类间相似性尽量小的一种图像分析方法,具有重要的临床应用价值。近年来,随着影像学诊断应用需求的提高以及医学影像技术的发展,医学影像数据更多地以海量的、序列图像的形式存在于临床。经典的图像聚类方法直接应用于医学序列图像还存在种种问题。目前,面向医学序列图像的聚类分析尚处于研究的起步阶段,这使得相关聚类方法的研究有着重要的意义。本文在深入分析传统聚类算法的基础上,提出两种医学序列图像快速聚类算法,一种是基于模板的医学序列图像快速聚类算法,另一种是基于线性变换和BP神经网络的医学序列图像快速聚类算法。实验结果表明了这两种算法不仅聚类精度高,而且聚类速度快,具有较好的应用前景。另一方面,近几年来,随着CT技术的发展,CT技术在临床上的应用日益广泛,但在实际的应用中,受一些客观条件的制约或考虑某些特殊的临床应用需求,得到的投影数据往往不满足数据完备性条件。研究如何在投影数据不完整时进行精确的图像重建无论是在理论上还是在临床上都具有切实的意义。虽然目前已有许多比较成熟的图像重建算法,如应用范围比较广泛的滤波反投影算法,但该算法对数据的完备性要求比较高；迭代类的图像重建算法虽然计算量很大,但可以处理不完全投影数据,因此,迭代类的图像重建算法是解决不完全投影数据的最佳选择。本文在深入分析传统的CT图像重建算法的基础上,依据算法中正投影运算与反投影运算的实现方式不同,将CT图像重建算法做了进一步分类,即像素驱动的图像重建算法、射线驱动的图像重建算法与距离驱动的图像重建算法。本文实现了各类重建算法并分析了它们的性能。最后,将距离驱动的图像重建与全变差优化准则理论相结合,提出了一种新的不完全投影数据情况下较精确重建图像的算法(DD-TV算法),并通过仿真实验证明了DD-TV算法具有较高的应用价值。