骨关节炎（Osteoarthritis，OA）是一种常见的关节炎症，已成为影响老年人生活质量的主要疾病之一。该病的发展通常伴随着软骨的损伤、病变等导致的形态变化。随着医学影像技术的不断发展，核磁共振（Magnetic resonance，MR）因其对软组织的成像具有较高的清晰度和分辨率，被认为是观察软骨组织的最佳成像模态。对膝关节软骨MR图像分割是实现软骨进行量化分析以及三维成像的前提，对于骨关节炎的研究以及临床诊疗有着极其重要的意义，受到研究者广泛的关注。　　膝关节软骨MR图像的分割是一项充满挑战的课题，主要难点在于膝关节的结构较薄，形态变化大且图像对比度较低，导致其轮廓十分模糊。近几年来，随着机器学习理论的不断发展和完善，新的方法不断涌现并广泛应用在人工智能的各个领域。在医学图像分割领域，机器学习方法因其良好的性能而受到研究者的广泛关注。　　本文中，我们对机器学习在膝关节MR图像分割课题中的应用展开研究。主要完成了以下工作：　　（1）提出了基于自动上下文模型的随机森林的膝关节软骨自动方法，该方法的基本思想是基于训练图谱迭代地训练多层随机森林分类器对图像像素点进行分类。随机森林使用的特征包括：（a）图像表观特征：该特征直接采自训练图像；（b）上下文特征：该特征采自我们提出的训练框架中前一层分类器对图像的分割结果。　　（2）为了更好地提取出软骨像素的上下文特征，我们对以上方法提出了改进。在训练每一层分类器的过程中，将训练图谱同分割结果进行配准，在此基础之上提取的上下文特征精确度会逐渐得到加强，因此训练出来的分类器分类效果也会得到提升。　　（3）我们将本文提出的方法应用到SKI10数据集中，实验结果表明我们的方法能取得较理想的效果。