多图谱分割方法是目前生物医学领域应用最广泛、最成功的脑部MR图像自动分割技术之一。基于多图谱的分割技术主要包含图谱生成技术、配准技术、图谱选择技术、标签传播技术、标签融合技术以及后处理技术等。本文主要对基于多图谱的分割方法中的图像配准技术、标签融合技术和图谱选择技术展开深入研究。传统图像配准技术仅仅利用了待分割目标图像中目标本身的灰度值,没有充分利用待分割目标及其周围组织的灰度特征,这与脑MR图像中同一脑组织可能具有不同的灰度值、同一个灰度值可能表示不同脑组织的实际不符;同时,传统的多图谱分割方法平等地对待脑MR图像中的所有体素,没有考虑待分割目标图像的特性,也没有充分利用脑MR图像中脑组织的空间位置信息。针对这些问题,提出了一种新的以分割目标为导向的脑组织分割方法。该方法采用以待分割的目标图像所在的分割区域为中心,通过对待分割的目标图像和其所对应的图谱图像进行灰度变换,不仅充分利用了图像的灰度特征,而且还有效地利用了图像的空间位置信息,解决了传统的基于多图谱分割方法在图像配准阶段没有充分考虑待分割区域的配准精度问题。实验结果表明,该方法能有效地提高基于多图谱的脑MR图像分割精度。传统的图谱标签融合方法中没有考虑那些可能会存在异常的标签以及在标签权重的计算时仅仅考虑了图谱图像与待分割图像的相似度因素,而没有利用图谱标签图像的边界、区域等信息。针对这个问题,提出了一种新的基于相似度加权的多图谱标签融合方法。该方法分别提取待标记体素的组合信息和图谱体素的组合信息,并计算这两类信息的相似度作为参与标签融合的各图谱标签的权重,然后通过异常图谱标签检测规则来减小异常图谱标签对多图谱标签加权融合效果的影响。该方法在计算参与标签加权融合的各图谱标签权重时充分利用图谱图像信息、待分割目标图像和图谱标签图像的边界、区域等信息,同时也很好地解决了异常图谱标签对多图谱标签融合效果影响的问题。实验结果表明该方法能够实现对脑MR图像脑组织的精确自动分割。传统的图谱选择方法都是从图谱集中选择相似度最高的若干图谱来构造子图谱集,从而克服由于图谱集的多样性带来的干扰。这些方法仅仅考虑了图谱之间的相关性,没有考虑图谱集内部的冗余性。同时,这些方法是在整体上计算图谱集中图谱图像与目标图像之间的相似性,没有考虑目标分割的局部性。针对这些问题,提出一种基于两步图谱选择策略的脑MR图像分割方法。该方法解决了传统图谱选择方法仅考虑图像之间的相似性而没有考虑图像内部冗余性的问题以及传统的基于矩形区域的方法计算分割区域的相似度时没有考虑目标组织原有形状特征的问题。实验结果表明,该方法所得到的相似性结果不受目标组织尺寸和目标组织位置的影响,具有更高的鲁棒性,能够有效提高基于多图谱方法的分割精度。