心脑血管疾病是世界上第一位的死亡因素。急性脑缺血指的是人脑某一局部血液供应不足而引起脑功能障碍，导致相应的脑功能缺损的临床症状。急性脑缺血发病急，危害非常大，大部分患者会出现影响生活质量的一些症状，如偏瘫、失语等，严重的甚至会失去生命。　　目前对急性脑缺血分割的研究还比较少，一般都是医生在诊断时的手动确定。由于缺血区域的形状、大小及位置变化都比较大，在不同的影像中信号强度也不同，在弥散加权成像（Diffusion Weighted Imaging，DWI）为高信号，而在表观弥散系数(ApparentDiffusion Coefficient，ADC)图像中表现为低信号。手动分割比较困难，且易受医生经验的影响，还需要较强的医学经验及解剖学知识，主观性较强，费时费力。因此，自动且准确地分割急性脑缺血可以帮助医生及时地确定治疗方案。　　本文的基本结构如下:首先基于中矢状线计算非对称图（Asymmetry map，ASM），为分类提供更多的信息。另外，为减少大量正常脑组织的干扰，加快运行速速度，基于ADC与DWI提取感兴趣区域。然后从T2，DWI, ADC和ASM分别提取特征组成特征集合。　　从图像中提取的特征一般都存在一定的不相关性和冗余性，通过特征选择算法选择能有效分割急性脑缺血的特征子集，实验中采用2折交叉验证的支持向量机和随机森林分类器对训练数据训练，得到分类模型。在训练阶段，将有经验的医生画的缺血区域的金标准作为正样本，金标准经过形态学膨胀后的数据作为负样本。在测试阶段，从感兴趣区域提取特征，将特征选择后的特征子集输入到分类模型中，得到分割结果。实验结果表明，特征选择算法和支持向量机组合的模型可得到最高的Dice为0.76。