图像分割是大多数医学图像处理系统中关键的一步，可用于图像中不同目标的可视化。大多数的图像分割算法得到的结果都是二值图像或是前景和背景图像。这样的结果在一些图像处理运用中是可以接受的，如在文件处理和光学特征识别系统中；但是在应用到需要得到医学图像中多个器官或组织的解剖特征时就不能令人满意。本论文在研究国内外相关算法的过程中，发现采用快速算法的方法虽然解决了计算耗时的问题，但是大多有运算结果不稳定的缺点；为了解决多目标分割中运算速度的提高与运算结果不稳定的矛盾，提出了两种方法：(1)基于最小模糊熵的多目标CT图像自动分割方法：利用迭代公式以及图像的直方图来计算出每个模糊子集的隶属函数中指数参数的值以及阈值的搜索范围，然后在已确定的搜索范围内用穷举法搜索出能使模糊熵最小的最佳阈值。本方法为了改变两个模糊子集隶属函数交点的隶属度，重新定义了GBMF隶属函数中参数的关系。实验表明当隶属函数中新的参数取适当的值时，能得到较好的分割结果，但是多少为最合适，仍需要进一步的研究。(2)基于概率配分和最大模糊熵的多目标CT图像自动分割方法：根据模糊聚类和概率配分之间的关系，以及模糊熵有最大值的必要条件，从而得到各类的概率配分，因此在搜索阈值组合时，先搜索满足各类概率配分的阈值，然后从这些阂值中搜索使模糊熵最大的阈值。在传统的梯度隶属函数中限制了参数的搜索范围。因此本方法在改变隶属函数参数所需满足的条件基础上，重新定义了隶属函数，这使得每一个灰度级都有属于三类情况，实验表明这样定义参数所需满足的条件更合理些。此外本方法采取ε和满足条件的阈值组合数相互控制，既避免了连一个满足概率分配的阈值组合都找不到的情况，也可避免由于满足条件的阈值组合太多，导致运算量很大。实验结果表明这两种方法能很好地完成CT图像的分割。运算速度较快；与用遗传算法、模拟退火算法相比较，运算结果稳定，分割更准确。