磁共振成像(MRI)作为一个强大的医疗成像技术具有越来越重要的地位，在当前诊断与临床应用中，它的出现极大地提高了医疗诊断水平。然而脑MR图像存在缺点:如成像模糊和不均匀以及噪声等，而婴幼儿的脑MR图像存在脑内信息不能如实反应病灶信号和强度不能得到客观表达等问题，对婴幼儿脑MR图像进行增强和去噪操作有助于医生的诊断以及后续如脑图像分割等步骤。因此，脑MR图像增强和去噪具有重要意义。本文对婴幼儿脑MR图像增强和去噪方法进行了深入的研究，一定程度上改善了原有算法中存在的问题。具体研究工作及创新点如下:
　　(1)研究了融入模糊边缘检测的分数阶微分婴幼儿脑MR图像增强算法。针对经典的分数阶微分算法在增强脑图像的同时，也会增加图像边缘处孤点的数量，过增强现象明显这一问题，将分数阶微分算法与模糊边缘检测算法结合到一起，改进传统分数阶微分中固定阶数为自适应型。从实验结果图上来看，本文算法增强后的脑图像在解决了边缘孤点问题的同时，减轻了传统分数阶微分算法对图像的纹理细节、平滑区域的衰减作用。实验的统计结果证明了本文算法较所对比的算法具有优势，验证了融合算法的有效性。
　　(2)研究了融入灰度共生矩阵和中值滤波的双边滤波婴幼儿脑MR图像去噪算法。针对传统双边滤波算法去除混合噪声时效果不佳这一问题，将描述图像纹理信息的灰度共生矩阵及中值滤波融入到传统双边滤波算法中。加入的中值滤波程度由灰度共生矩阵的特征二阶矩决定，即在图像纹理变化较大部分升高双边滤波权重;在图像纹理平缓区域升高中值滤波权重，最后达到在图像边缘和平坦部分均具有较好的去噪效果。实验结果图像和峰值信噪比(PSNR)、均方误差(MSE)两种评价指标证明了本文算法的有效性。本文算法有效地改善了传统双边滤波只能单一去除高斯噪声而不能去除椒盐噪声的缺点，在去除两者混合噪声方面取得了较好的效果。
　　(3)研究了基于极大似然估计的非局部协作滤波婴幼儿脑MR图像去噪算法。针对如何更好地去除脑MR图像中存在莱斯(Rician)噪声这一问题，本文主要研究了极大似然估计方法(MLE)、非局部均值(NLM)算法的原理，融合了K-S test方法以及协作滤波的思想，形成了极大似然估计的协作滤波算法。实验结果证明了该算法对于去除莱斯噪声具有较好的视觉效果，并且峰值信噪比和均方误差两个评价指标验证了该算法较实验对比的四种算法具有明显优势。本文算法能够较好地去除婴幼儿脑MR图像中的莱斯噪声，为医生的初步诊断以及分割等后续处理步骤打下了良好基础。