医生在诊断过程中往往需要医学图像的辅助,准确的医学分割图像对医生诊断病情、制定一些疾病的治疗方案具有重要意义。核磁共振成像是目前应用最为广泛的脑部成像手段之一,但其特殊的传输方式会导致图像受到混合噪声的干扰,且由于图像自身对比度低,内部组织形状不定,分离病灶部位与正常组织变得更加困难。为了设计一种满足临床医学实际需求的MRI脑部图像自动分割算法,本文利用哈佛大学医学院图像库中的MRI图像,从去噪和分割两个方面对获取图像进行了深入的研究处理,取得了较好的效果。本文工作总结如下:首先,为了去除噪声干扰,使用改进小波变换算法对MRI脑部图像进行去噪。在低频部分,根据小波系数分布情况设置阈值对小波信号进行信噪分离,并对非目标区域的小波系数进行弱化滤波处理。在高频部分,通过自适应阈值函数对系数进行处理。实验结果表明,与医学图像中常用的去噪算法相比,改进去噪算法取得了更优的视觉效果和去噪效果评价参数。然后,为确保分割的效果与实时性,本文采用PCNN模型对MRI脑部图像进行分割,并使用改进GSO算法进行参数寻优。改进GSO算法引入了自适应步长的概念,使个体萤火虫的步长可以随着迭代次数自动调整。同时,算法标记了种群最优值,并对每次迭代过程中的萤火虫进行了分类,根据萤火虫所属类型将个体移动方式设置为三种。最后,为了使改进GSO算法可以成功的应用于MRI脑部图像中,本文在萤火虫迭代过程中,设定了合适的适应度函数规范萤火虫的移动。在对MRI脑部图像进行特征分析之后,本文列出了图像中常用的评价指标参数。为了消除因单一指标导致图像分割不准确的现象,通过对比实验,将两项指标的加权和确定为最终的适应度函数。完成萤火虫算法与适应度函数的改进后,对去噪后的MRI图像进行了分割实验。通过对群智能算法专用测试函数进行的寻优实验结果证明,改进GSO算法在寻优性与收敛性上均优于其他用于对比的群智能算法,具有不易陷入局部最优解的优势。与MRI图像中其他常用的分割方法相比,本文提出的改进算法在保留图像内部边缘特征的同时,有效地减少了过分割现象的出现,取得了较好的分割效果。