“数字化虚拟人”项目对研究人类自身的生命活动具有重要意义，它是建立在“可视人”这一解剖框架之上的。而彩色冰冻切片图像分割是三维重建“可视人”的一个最基础、最关键的部分，也成为目前虚拟人应用的瓶颈。因而研制具有较高自动化程度的交互式分割或自动分割方法，对促进虚拟人数据集的广泛应用有重要的价值。本文针对虚拟人数据集的特点，采用基于支持向量机的方法开展虚拟人彩色切片数据分割的研究。本文主要工作包括： （1）提出了一种适合对虚拟人数据分割的SVM 多类分割方法。典型的SVM 多分类方法，是针对分类问题提出的，对分割复杂的、海量的虚拟人数据，其在分割质量和分割速度上都有待提高。本文提出了一种改进的二叉树SVM 多类分割方法。根据性能分析，当按目标区域占图像的比例由大到小分割，可最大程度地降低这种方法处理的数据量，从而提高分割速度。 （2）对比研究了基于SVM 的彩色图像分割方法与基于灰度直方图的全局门限值分割方法的异同。基于SVM 的彩色图像分割方法在本质上是在有监督条件下，将彩色图像转化为单色SVM 图像，然后在该图像上使用符号函数作为全局门限进行分割。SVM分割方法可有效解决基于灰度直方图分割方法中求全局门限值困难的问题，而且可以采用其它分割方法对SVM 图像进一步分割。 （3）提出了适合虚拟人切片图像特点的选择SVM 训练样本的方法，并给出寻找SVM 核及相关参数的方法。海量的切片数据不允许使用复杂的特征提取方法，可采用在RGB 或HIS 颜色空间直接提取特征。本文提出的逆C 均值样本筛选方法和基于支持向量机的样本筛选方法等，对通过交互方法选择的训练样本进行筛选，可有效地减少计算时间，提高分类质量。可通过交叉验证实验方法寻找合适的SVM 核函数及核参数、惩罚参数。高斯核在参数有较大变化时，其分类结果比较稳定。 （4）给出了三种与SVM 相结合的分割方法。SVM 与区域生长相结合的方法，可把与目标组织同特征的其它区域从分割结果中剔除，又可将为SVM 选择训练样本和为区域生长法选择种子点合二为一，提高了算法自动分割能力。基于分水岭决策的SVM 分割方法，可以克服符号函数作为全局门限值不能区分SVM 图像局部区域变化的问题，能进一步标识细小组织区域。第三种方法综合使用了SVM 图像和灰度图像的优点，使用分水岭算法进行后处理，使分割结果更准确。 （5）提出了一种基于SVM 的自动分割虚拟人序列切片方法。该方法定义了切片相似性测度，给出自动采样方法，利用序列切片之间在颜色和空间上相似性进行自动分割。首先通过人机交互的方式训练SVM 分类器，并对序列切片进行分割，如果不能满足预先定义的相似性准则等条件，算法再根据切片在空间上相似性，重新采样、训练SVM 分类器，重新进行分割。实验表明该算法能在保证一定分割质量的同时，兼顾分割速度，能有效地进行自动分割。