随着医学造影技术的发展，医学图像分割在计算机辅助诊断和治疗中已经成为一项非常重要的任务。为了减轻医生和专家手动分割大量医学图像的负担，借助计算机视觉、机器学习和图像处理领域中的许多算法，可以实现器官的自动分割。虽然基于统计形状模型（statistical shape model，SSM）的方法在医学图像分割中已经广泛应用，但是对MR图像中前列腺的分割精度还有待提高。由于基于SSM的方法能够将形状先验知识融合到分割的过程中，因此在医学图像分割中取得了较大成功，但是SSM方法还有很多缺陷，影响了算法的分割精度。基于SSM的方法主要由形状表示、形状建模、形状相关性、表观模型、搜索算法等模块构成。在表观模型中，现有的特征不能够准确的描述器官的边界，从而导致对形状的变形产生了误导作用。在形状建模过程中，由于基于主成分分析（principal component analysis，PCA）的方法只能捕获形状的全局变化，从而产生了对形状过分的约束，使得在分割过程中，无法适应待分割图像器官的形状变化。针对上述缺陷，本文提出了一种在MR图像中自动分割前列腺的方法。分割方法主要可以分为三个部分：首先文章提出了一种描述器官边界的显著性特征，建立表观模型。在描述边界的时候，尺度方差自适应SIFT（SVA-SIFT）特征用来捕获边界上图像块的局部信息。由于在器官的边界上，灰度和梯度会发生变化，纹理类型并不一致，因此，对边界上表示器官形状的每个特征点都必须设计最优的特征。基于SVA-SIFT特征，本文提出了两种类型的变长法线向量特征描述（truncated normal vector feature profile，NVFPt），并利用特征的显著性对每个特征点选择最优的NVFPt。其次，本文将形状的全局变化和局部变化结合起来，用由粗到细分割的框架分割医学图像。最后，在提取显著性特征的过程中，本文还引入了判别性分析（discriminant analysis）来度量特征的显著性，将最小化同类像素特征的距离和最大化不同类像素间的距离结合起来定义显著性函数。本文将提出的算法用于分割前列腺的MR图像，验证了显著性函数和特征的显著性以及局部变化对形状建模的作用，并将提出的算法与其它的分割方法进行比较。实验证明，本文提出的算法获得了更好的分割结果。