医学图像分割是数字图像分割的一个重要分支,它是临床医学诊断的一个重要的前期步骤,良好的医学图像分割图可以给医生对病患的疾病判断提供极大便利。因此,医学图像分割算法的研究是当前的一个研究热点。本论文主要分析了目前常用的医学图像分割算法的基本原理和各算法的分割效果,针对医学图像所特有的模糊性,提出了将模糊聚类理论应用到医学图像的分割中。在本文中,首先采用常规的模糊C-均值聚类(FCM)算法对医学图像进行了分割,针对FCM算法所存在的对初始点敏感,容易陷入局部极小值的问题,又引入了模糊核聚类算法,它采用非线性映射,该算法对样本特征进行了优化。利用Mercer核,把输入空间的样本映射到高维特征空间,并在特征空间内聚类。这样,相较于FCM, KFCM可以更好的提取样本特征,从而取得更好的分割效果。另外,在KFCM算法的基础上,本文提出了一种动态加权的模糊核聚类算法,该算法增加了一个动态加权的参数,可以优化聚类过程,使KFCM算法的聚类效果更好,从而获得更好的医学图像分割图。考虑到相比于其它分割算法,分水岭算法对图像各个部分分割异常精确,但是存在过分割的缺点,而核聚类算法又可以对过分割部分进行聚类合并,所以本文提出了新型的基于分水岭算法和动态加权模糊核聚类(WKFCM)算法的医学图像分割方法,实验证明,该算法可以获得较好的分割图像。