随着中国老年化程度的加重,脑疾病病发程度日益加重。因此,借助医学影像技术对疾病进行临床辅助诊断具有重要意义。核磁共振成像(MRI)因其对人体没有任何电离辐射伤害,对软组织有较高的分辨率,成像参数多,包含信息量大等优点,已被广泛运用于医疗图像诊断。模糊C均值(FCM)算法是一种比较经典的聚类方法,具有无监督、实现简单、运算速度快等优点,常被用于脑MR图像分割。然而,由于噪声和灰度不均匀的影响,使得采用传统的FCM算法很难得到理想分割的结果。为此,本文针对脑MR图像分割问题,通过考察图像的空间结构信息,对传统算法中目标函数的距离项进行了改进,并将偏移场参数化且耦合到FCM框架下,使其不仅能够降低噪声的影响,还能够较好地恢复偏移场。本文的研究工作包括如下几个方面：(1)针对噪声和偏移场的影响,提出一种改进的非局部FCM脑MR图像分割与偏移场恢复耦合模型。该模型考虑了图像的非局部信息,通过空间图像块之间的相似性构造权重函数,并且将偏移场也纳入FCM模型中,可以有效地降低噪声和偏移场对分割结果的影响,并且能够保留更多的结构信息。(2)针对传统模型鲁棒性不足、分割精度不够高的问题,提出一种结合非局部信息的模糊聚类脑MR图像分割模型。该模型首先引入非局部信息,克服传统的空间信息仅依赖邻域灰度信息从而导致精度不高的缺点,使其在降低噪声影响的同时还能保持细长拓扑结构区域信息；其次,利用多元高斯分布模型对图像灰度分布进行拟合以构造距离函数,从而降低传统欧式距离导致鲁棒性不足的影响；最后利用正交基函数对偏移场进行拟合,并将偏移场参数化且耦合到FCM框架下,以降低灰度不均匀对分割的影响。