医学图像分割一直都是医学图像分析领域的研究热点，是人们完成解剖结构的定量分析，相关诊断信息提取的关键步骤。由于待分割图像的可变性比较大，且混有噪声，构成了图像分割所面临的主要困难。本文主要对基于蚁群的分割方法和基于模型的分割方法在医学图像中的应用进行了研究。 人工生命的方法有助人们了解生物学规律，并且在机器人、计算机图形学等方面得到了成功应用。蚁群算法作为人工生命算法的一个分支，是由真实蚁群活动的启发而逐步发展起来的一种模拟蚂蚁群体智能行为的算法。它具有较强的稳定性、分布式计算和易与其他算法结合等优点，个体之间不断地进行信息交流和传递，有利于寻找到较好的解。基于模型的分割算法，能够尽量多的利用图像中蕴含的先验信息，有利于提高图像分割结果的精度。 论文的主要工作可以简单总结如下：(1).对蚂蚁的觅食行为进行了深入的分析，通过实验验证了蚁群模型可以应用在医学图像分割工作中。 (2).提出了结合模糊连接关系的蚁群分割模型。该方法把图像空间的模糊连接关系引用到蚂蚁的觅食规则中，转嫁为蚁群中蚂蚁搜寻食物的准则，对蚂蚁的信息素释放、路径转移等进行了重新定义。模拟数据和真实数据的实验结果验证了该方法的有效性。 (3).真实蚂蚁的聚类行为体现了蚂蚁个体的盲目性与整体行为的系统性。利用改进的蚁群聚类算法，可以快速的完成图像的聚类工作，并得到合适的聚类数目。把蚁群聚类的结果作为适配模糊聚类方法的输入，最终实现图像的精细分割。 (4).随着医学图像数据的急剧增长，人们迫切需要建立从医学图像中自动分割特定解剖结构的算法。本文提出的基于互信息的图像配准和活动形状模型的分割算法，能够实现从体数据中自动定位解剖结构所在的图像位置并分割出目标结构。首先，获取的脑图像体数据集通过与参考体数据集的配准，使对应层图像包含与参考数据相似的解剖结构；然后利用训练得到的活动形状模型自动定位、分割指定的解剖结构。实验表明这种算法能取得良好的分割结果。