最近几年,医学成像的发展越来越迅速,目前主要的成像技术有:超声成像(Ultrasound,US),电子计算机断层扫描(Computed Tomography,CT),正电子发射型计算机断层显像(Positron Emission Tomography,PET),磁共振成像(Magnetic Resonance Imaging,MRI)等。由于磁共振成像技术不需要注射放射性同位素,所以它比CT、PET等成像技术更加的安全。随着成像技术的成熟,计算机智能诊断技术也开始发展起来,目前已经提出了大量的医学图像处理算法,可以帮助医生做初期的临床诊断。脑部MRI图像的分割与识别是医学图像处理中必不可少的步骤,所以对脑部MRI图像的分割与识别的研究有重要意义。目前,脑部MRI图像的分割方法主要有两种,一种是传统的聚类技术及其改进方法,它的主要原理是利用不同的距离测度公式将图像中有类似特征的像素划分为同一类别,以此达到分割的目的;另一种方法是目前计算机领域广泛研究的机器学习和深度学习算法。这类算法首先要手动或自动提取图像的某些特征,然后对训练集图像进行多次特征学习得出一定规律后就能分割测试集中的图像。这两类方法都只是利用了图像的像素级特征忽略了脑部结构特征,所以分割准确率具有一定的局限性。近年来,机器学习算法和深度学习算法被广泛应用到脑部MRI图像识别中,传统的分类器,比如支持向量机(SVM),随机森林分类器(RF)等都需要人为的选择脑部MRI图像的某些特征,如灰度特征,位置特征,纹理特征等,但是由于脑部疾病的多变性,人为选择的特征有很多并不能很好的代表图像特性,这些特性不但不能有助于图像识别,甚至可能导致识别错误,产生误诊风险。另外,深度学习算法虽然能自动的提取有利于分类的脑部MRI图像特征,并且能取得较高的分类准确率,但是由于训练深度卷积神经网络需要大量的训练数据集,而医学图像数据又十分有限,所以在训练过程中常常会出现过拟合问题。为了进一步提高脑部MRI图像的分割和识别准确率以及解决医学图像数据集过小的问题,本文做了如下两部分研究:(1)本文提出了一种结合生物特征的脑部MRI图像分割算法,基于脑脊液中心部分为H型区域的先验知识,利用Canny边缘检测算法和傅立叶描述子直接将脑脊液部分分割出来,然后结合模糊局部信息C-均值聚类(FLICM)算法和随机森林算法实现对脑灰质和脑白质部分的无监督分割。(2)本文提出了一种结合迁移学习和支持向量机的脑部MRI图像识别算法,利用预训练好的卷积神经网络提取脑部MRI图像特征,然后再用支持向量机分类器对脑部MRI图像进行识别,既不需要训练整个深度卷积神经网络也不需要人为的选择图像特征,解决了由于数据集过少导致的过拟合问题。针对以上两种方法,我们利用网上公开的脑部MRI图像数据库分别进行了实验,实验结果表明对比传统方法以及目前先进的方法,本文提出的脑部MRI图像的分割及识别算法均获得了较高的准确率。