针对医学图像的多维性、复杂性等特点,系统研究了医学图像的光滑直方图、一阶核密度估计和基于特征函数的有限高斯混合模型的密度估计模型。在此基础上,提出各个密度模型所对应的医学图像分割技术、方法及其算法。主要内容包括以下几个方面：(1)针对医学图像直方图估计存在不光滑和缺乏空间性等问题,提出基于局部多项式的直方图和Histon光滑方法,该方法利用数据的相邻元素的多项式进行平滑估计,根据加权最小二乘法估计多项式系数。利用粗糙集的思想,把光滑后的Histon作为医学图像的粗糙集上界,光滑后的直方图作为下界,构造一个医学图像的粗糙集信息系统。并计算出粗糙集信息系统的粗糙度函数,根据此函数的局部最小值实现医学图像的多阈值自适应显著区域的分割。光滑后的直方图和Histon可以有效减少粗糙度的“伪局部最小值”,避免了医学图像的过分割问题。(2)针对核密度估计存在计算量大、平滑参数难以自适应估计和组织边界的偏差较大等问题。提出基于分层抽样的快速自适应的一阶似然函数多项式的核密度估计方法。该方法利用光滑直方图进行分层抽样,把训练样本减少到最少；利用相邻数据的平均距离作为局部平滑参数和反应全局结构的平滑参数一起构造自适应的平滑参数；利用一阶似然函数多项式的核密度估计减少组织边界的偏差。模拟图像和真实的医学图像表明,新的核密度估计方法具有速度快、偏差小和自适应等优点。(3)针对基于固定步长的爬山算法的医学图像分割会导致类别数增加、速度慢且不同的区域用同一个全局密度阈值等问题。提出动态步长的爬山算法识别密度吸引子和从山顶向山脚搜索的下山策略的图像分割方法。该方法利用动态步长的爬山算法识别局部最优值,加快了分割速度,且避免了过分割的问题。下山策略的算法通过搜索下山方向,以山脚作为组织器官的密度阈值,实现了不同组织器官的局部多阈值分割。(4)针对传统的有限混合模型存在参数初始化不稳定,收敛速度慢和混合模型成份数估计困难等公认的难题。提出基于核密度估计函数和特征函数的混合模型密度函数估计方法。该方法利用核密度函数的局部最优值作为初始化划分的中心,把每个数据按照聚类中心划分并计算初始化参数；然后通过定义高斯混合模型的特征函数,构造模型选择的新准则和收敛函数。根据混合模型的参数,提出基于贝叶斯准则的医学图像分割方法。模拟图像和真实的医学图像表明,该方法具有稳定性高、分割速度快和模型选择自适应等优点。本文提出的基于密度模型的医学图像分割方法及算法的创新性成果,对医学图像的密度估计和分割研究都具有重要理论意义和现实价值。