作为图像分析、理解及计算机视觉的基础，图像分割早已引起了人们的广泛重视并得到了快速的发展。目前，人们已经从不同角度建立了多种图像分割算法，并被广泛地应用到图像处理和目标识别中。由于医学图像成像原理和组织本身的特异性差异，加上成像噪声、场偏移效应和组织运动等因素的影响，使其分割问题变得异常复杂和困难。而作为医学图像处理的重要环节，细胞分割问题在很多情况下仍然是难于解决的。实际中，粘连细胞的边界描绘问题就是这样一个困难的问题。为了实现密集粘连细胞的自动分割，本文在分析传统细胞分割方法的基础上，提出一种基于测地距离的细胞边界描绘像素聚类方法，较好地解决了这一困难的问题。　　为了充分利用像素点的空间分布和亮度梯度信息，本文首先引入了黎曼度量，并在此基础上定义了图像中两相邻像素点之间的距离，然后按照测地距离来定义和计算图中任意两个像素点之间的距离。进一步应用K-均值聚类算法，考察每个像素点与聚类中心的距离以决定其类别归属并添加类别标签，然后重新定位类别中心，重复上述过程直到收敛。像素的最终类别标签自然形成了细胞图像的分割结果。该算法用灰度图像作为输入，需要使用的先验信息只有细胞的尺度大小。初始聚类中心的选定可采用一种自适应预分类方法。这些特点都保证了算法的广泛适用性。此外，新的算法所采用的迭代机制有效地克服了传统K-均值算法对初始聚类中心选取的敏感性问题，保证了算法的健壮性。　　在新的聚类算法的基础上，本文还充分利用细胞的颜色信息，改进了初始聚类中心的选取方法，以期获得更为准确的分割结果。以一类狗肾脏上皮细胞的彩色图像为应用对象，通过抽取图像中代表细胞核物质或区域的蓝色通道，根据局部亮度变化统计特征提取出分界区域像素，再通过将其置为零的方式“打碎”粘连的核物质区域，然后对图像进行自适应阂值化处理，得到关于核区域的二值图像。再利用数学形态学方法，获得细胞核完全分离的二值图像，并选取每个核连通区域的中心作为初始聚类中心。实验结果表明，经过这种改进，新算法的分割结果在数量和位置的准确性上都有了很大的提高，并且显著加快了算法的收敛速度。　　由于目前对细胞图像分割结果还缺乏通用的量化评测方法和标准数据库，本文在最后对分割结果的量化评测进行了一些探讨，选取了三个较为合理的客观评测指标，并对细胞图像的分割结果进行了多方面的量化评测，也进一步证实了新算法的优越性。