脑肿瘤因其较高的发病率和致死率已经成为严重威胁人类健康的神经系统疾病,对脑肿瘤诊断分析方法研究一直是国内外的热点研究方向之一。在脑肿瘤的治疗过程中,对肿瘤的精确定位和准确分割是进一步治疗的关键所在。在目前较为成熟的成像技术中,核磁共振成像（MRI）由于能够获得成像目标的高质量图像且整个过程对人体的损伤较小,因此成为脑部区域信息获取的首选方式。因此,对脑肿瘤MRI图像分割的研究已成为脑肿瘤研究领域的一个重要课题,也是脑肿瘤计算机辅助诊断和后续治疗方案规划的关键步骤。本文介绍了常用的图像分割方法,对脑肿瘤MRI图像分割的研究现状进行了分析,进而提出了三种脑肿瘤MRI图像分割算法,三种算法均以变分水平集方法为基础,并对变分水平集方法进行改进使其适用于脑肿瘤MRI图像的分割。首先,利用显著目标提取技术,实现了对脑肿瘤的定位。然后,在脑肿瘤所在的局部区域,对局部强度聚类的变分水平集方法进行改进,使其仅仅作用于零水平集附近的一个局部区域,构成一种基本的全自动分割方法。其次,在能量函数中引入先验形状能量项构造能量泛函。脑肿瘤的先验形状是在独立分量空间中通过稀疏形状组合得到。同时,通过对仿射变换参数的近似估计,形状发生平移、旋转、缩放等情况均能保持形状不变。在一定程度上能够减弱改进的局部强度聚类算法受初始轮廓位置和大小的影响,避免演化曲线可能停留在图像的局部区域。最后,使用来自于深度网络的先验形状构造能量函数,利用U-Net网络运算速度快、所需样本量少、网络结构简单的优点,本文通过U-Net网络来获得脑肿瘤的大致形状和位置信息,再以该形状为先验形状使用改进的局部强度聚类算法对脑肿瘤进行精确分割。该方法能够避免通过稀疏形状组合构造先验形状时可能遇到的与样本集平均形状相差较大的复杂形状重建结果不理想的情况。利用BRATS2017数据集中的图像,设计实验测试了本文提出方法的分割效果并证明了本文提出算法的先进性和有效性。