图像分割是医疗影像分析中的重要环节之一。有效的脑图像分割有利于医生临床观察及诊断,从而辅助医生发现病灶区域,并制定更加积极有效的治疗方案。近年来,随着机器学习技术的迅速发展,基于无监督或有监督学习的分割技术已经取得了重要进展,并成功应用在不同的领域之中。相比于无监督学习,有监督学习具有更高的分割精度,但其分割性能往往会受到训练集特性分布的限制。当对具有不同特性分布的跨数据集图像进行分割时,有监督学习的性能会有明显下降,而无监督学习则往往会表现得更好,因此无监督学习更具有鲁棒性。在医疗分析领域中,大部分脑部MRI图像都不含有像素级别的标注信息,而且不同的脑部MRI数据集特性分布不同,因此设计出一个行之有效的人脑MRI图像跨数据集分割算法十分有必要。为了对不同的跨数据集图像进行有效分割,本文提出了一种无监督学习和有监督学习相结合的3D人脑MRI图像跨数据集分割算法,该算法不仅结合了无监督学习与有监督学习的优点,还利用有监督学习弥补了无监督学习的不足。在该算法中,无监督学习模块能够实现图像的跨数据集分割。有监督学习模块利用一个已训练的有监督分割网络,来为无监督学习模块提供初始权矢量。通过初始权矢量鲁棒处理算法,本文能够利用具有较高置信度的子块矢量对初始权矢量进行优化,进一步提高无监督学习的跨数据集分割性能。本文分别在正常脑MRI跨数据集和脑肿瘤MRI跨数据集上进行了实验。实验结果表明,该算法中不仅对跨数据集图像具有较强的适应性和鲁棒性,而且能够实现不同脑组织的自动分类。与其他算法相比,该算法在新的数据或者跨数据集分割中能够取得当前最好的性能,在实际应用中具有实用性和推广性。此外,该算法还能够使分割速度得到显著提升,并自动提取每个连通区域的空间特征信息,如位置和体积。