婴幼儿期是大脑发育的关键时期，不仅发育快，可塑性强，而且罹患各种脑病的几率也大大高于成人或其他成长时期。探索婴幼儿脑部疾病的早期诊断方法具有非常重要的意义。现代医学影像技术已成为脑疾病临床诊断的最重要的方法之一。利用核磁共振图像对婴幼儿脑结构进行分割，是对婴幼儿脑结构进行形态定量分析，研究婴幼儿脑部发育及诊断疾病的基础。深层脑结构包括胼胝体，海马体，脑室等。幼儿的深层脑结构处于发育中，灰度、形状信息与成人相比更加复杂和不规则，其分割比成人更加困难。人类海马体，胼胝体等结构是大脑的重要区域，其形态变化与许多疾病密切相关。本文以海马体，胼胝体为例，在多图谱框架下，深入研究婴幼儿脑结构的三维全自动分割方法。　　本文的主要工作及研究成果主要有:　　(1)研究并实现了基于非局部块加权的多图谱分割算法模型。对实验用到的数据进行预处理。在非局部块加权算法模型的基础上提出了自适应融合图像自身信息的改进算法。将待分割目标图像的自身信息，自适应融入到标签融合的框架中。实验表明，提出的改进算法对婴幼儿脑MR图像脑结构有很好的分割效果，能够利用图像自身信息对一般算法分割不理想的地方进行修正。　　(2)针对婴幼儿脑MR图像质量差、对比度低的特点，研究并实现了基于稀疏表达的多图谱融合算法，提出了融入图像块LBP特征和解剖结构先验信息的脑结构分割算法。融入LBP特征能够增强图像块局部信息的判别能力，融入解剖信息能够对脑结构分割进行指导和修正。实验表明，改进算法对婴幼儿脑MR图像脑结构有很好的分割效果，提高了局部细节的分割精度。　　(3)针对婴幼儿脑MR图像脑结构边缘模糊，婴幼儿脑结构不断发育的特点，提出了基于核字典学习的多图谱融合算法。在多图谱融合过程中，将训练数据和测试数据进行核化，形成高维的虚样本，然后与判别性字典学习方法结合来分割脑结构。定性和定量的实验均表明，改进后的基于核字典学习多图谱融合的算法对婴幼儿脑MR图像脑结构分割效果较好，能够较为准确的分割脑结构的边缘。