脑疾病已经成为危害人类健康的重要疾病之一,其中脑肿瘤又以其高发病率和高危性越来越引起人们的关注。核磁共振（Magnetic Resonance,MR）成像是一种无损伤、无辐射、多参数的成像方式且不同模态MR图像对脑组织以及脑肿瘤特征的呈现各有侧重,从而利用多模态脑MR图像完整地分割出脑肿瘤区域进而提供肿瘤形状、大小等统计信息是一个主要研究方向。然而,脑肿瘤的特点与位置的不确定性以及MR图像中存在的噪声与灰度偏差的影响使得脑肿瘤MR图像分割比其他医学图像分割更为困难。为此,本文在脑肿瘤MR影像分析的应用背景下,以逐步细化分割脑肿瘤病变区域为主要线索,针对脑肿瘤区域的半自动以及自动分割方法开展研究。本文的主要工作如下:针对脑肿瘤病变区域的整体提取问题,提出基于低秩稀疏联合约束的多模态脑肿瘤MR图像分割方法,并通过与基于单模态图像分割结果的对比,分析了基于多模态MR融合图像进行脑病变分割的有效性。方法中将包含水肿和脑肿瘤在内的整体脑病变区域看作独立于健康脑组织存在的图像异常,通过对脑肿瘤图像进行一种低秩稀疏联合表示建模并通过求解模型表示残差的方式将脑肿瘤病变区域进行分割。低秩表示有利于描述脑组织的整体结构,而引入的稀疏约束项则能够刻画图像局部特征,二者结合有助于提高脑肿瘤图像的表示精度。此外,通过图像异常检测的方式分割脑肿瘤病变区域使得该方法不需要脑肿瘤临床先验,从而为脑疾病的批量检测提供了思路。针对脑肿瘤的整体提取问题,提出基于图割法与Softmax回归的多模态脑肿瘤MR图像分割方法,并通过分割结果对比,确定该方法所采用的多模态图像以及特征融合方式。基于Softmax回归的分类过程没有考虑图像空间特征从而分割结果易受噪声以及灰度偏差影响,因此考虑将Softmax回归所获像素属于各类别的预测概率作为区域能量引入图割模型,使其在边界项的空间约束下得以优化。由于兼顾了像素的自身特征与邻域信息,肿瘤分割结果的完整性得以保证,同时图割法中通过手动选择种子点构建区域能量所导致的对人工标记点特征依赖大的问题也得以解决。针对脑肿瘤和水肿的分别提取问题,提出基于多尺度超像素与多核协同表示分类的脑肿瘤MR图像分割方法。考虑到脑组织与肿瘤的复杂结构,提取基于多尺度超像素区域的图像空间特征构建核函数并对图像进行核协同表示建模,不仅使脑肿瘤图像的分类得以在线性可分的高维谱核空间中进行,所构建的光谱-空间核还可以提高像素相似性度量精度。此外,基于超像素提取的多尺度空间特征更符合脑组织或肿瘤结构特点,从而有助于保持图像中的边缘、细节等局部特征。针对增强肿瘤、坏死以及水肿的分别提取问题,提出基于多核学习与超像素核低秩表示以及基于多核学习与超像素核低秩稀疏联合表示两种脑肿瘤MR图像分割方法。为克服脑肿瘤图像中模糊边界与灰度偏差的影响,在由核函数诱导的高维特征空间中对图像进行核低秩与核低秩稀疏联合表示建模,将核方法与低秩表示和稀疏表示在保持图像结构上的优势相结合,从而提高图像的表示精度。基于超像素区域与多核学习方法生成的最优超像素核能够自适应地学习脑肿瘤图像中各类别样本的高维流形特征,有利于提高邻域样本的相似性度量精度。