Markov随机场（简称MRF）是一种描述元素问相互作用的数学模型，它能简洁合理地刻画图像像素的空间相关性，是图像分割应用中备受关注的建模方法之一。 本文在传统监督式MRF模型的基础上，提出了一种基于均值-标准差的非监督式MRF模型。该方法先由K-均值算法得到图像的初始分割，再根据均值-标准差最小的原则，重新选择并计算新的聚类中心，能够有效为MRF模型提供初始参数，实现了全过程的自动分割。 脑部磁共振（MR）图像分割一直是医学图像处理和分析中的热点研究问题，它对医学图像配准、三维重建和可视化等后期工作起着很重要的作用。因此，选择合适的分割算法，准确地将正常脑组织分割成灰质、白质和脑髓液等组织部分是当前研究的重点。 另外，医学图像的部分容积效应和某些组织的区域不确定性，决定了医学图像的模糊性。因此，基于模糊理论的图像分割算法被广泛应用于脑部MR图像分割中，其中最具代表性的是模糊核聚类算法（KFCM）。但传统的KFCM算法仅利用了图像的灰度信息，而未考虑其空间相关性，在分割低信噪比图像时会产生较大偏差。考虑利用MRF模型的像素邻域信息，引入Gibbs模型提供的先验概率和邻域控制因子，以改进KFCM的隶属度矩阵，从而提出了一种基于随机场先验概率的改进KFCH算法。它比传统KFCM算法具有更好的鲁棒性，能提供更精确的图像分割能力，并且保留了传统KFCM算法的优点。 MRF模型对噪声图像具有很好的鲁棒性，因此很适合应用于脑部MR图像的分割。但是在基于传统MRF模型的图像分割算法中总是假设对应的MRF是齐次的，这样会导致过分割现象。本文提出了一种基于模糊隶属度的非齐次MRF模型的图像分割算法，通过引入模糊隶属度的概念，建立基于模糊隶属度的参数估计模型，并进行精确地参数估计，可以很好的改善过分割现象。 在以上研究的基础上，本文主要取得以下成果：（1）针对传统的监督式MRF模型，提出了一种基于均值-标准差的非监督式MRF模型，可以减少人工干预的影响；（2）针对KFCM算法存在的问题，提出了一种能够合理利用空间信息的改进KFCH算法，可以提高分割低信噪比图像的效果；（3）将模糊理论和MRF结合，提出了一种基于模糊隶属度的非齐次MRF模型，可以进行精确地参数估计，并有效地提高了图像分割的精度和鲁棒性。