脑部疾病作为全世界十大致命疾病之一无时无刻不威胁着人类的生命和健康，其诊断手段主要有：X线平片、CT扫描、核磁共振成像、脑血管造影等等。其中核磁共振成像(Magnetic Resonance Imaging, MRI)以其高精度、高速度、高分辨率、非损伤性、很少受目标物体运动影响等特点逐渐成为脑部疾病的主要诊断技术，使得脑核磁共振图像分割也成为了医学图像分割领域的热点和难点，其效果直接影响着后期病理分析和临床治疗，对目标结构和主要病理区域自动、准确的分割描述对医生确诊和制定后期治疗计划有着至关重要的作用。而传统的对核磁共振(MR)图像信息定性、定量的分析还依赖于手动分割手段，无法满足日益增长的分析成像结果的需求。　　 核磁共振图像分割的目的主要是提取图像中感兴趣的区域，以对图像进行分析。而脑MR图像中常含有偏移场和噪声现象，使得脑图像分割很难得到较好的结果。本文针对在分割过程存在的噪声和偏移场现象及弱边界问题等方面做了详细的研究：　　 一、深入研究脑MR图像分割中最常用的有限混合模型，并对传统的高斯混合模型(GMM模型)进行了重点分析，比较国内外常见的、较为成功的一些改进方法。针对传统GMM模型仅依据图像的灰度信息，而忽略像素间的空间位置关系，提出了本文算法：将去偏移场和去噪声引入先验的邻域约束信息，放入高斯混合模型框架中，去噪和去偏移场同时进行，有效得降低强度不均匀现象对分类结果的影响，实现准确分割脑MR图像分割的任务。　　 二、深入研究Mumford-Shah模型及其简化模型的水平集解法，分析传统的分段常量水平集模型(PCLSM模型)。传统的PCLSM模型需要增强惩罚项，而惩罚项通常容易导致区域对象角点信息丢失，用该方法分割具有边缘结构的目标时无法得到真实解。针对此问题，本文算法利用张量信息特征值为PCLSM模型的惩罚项构建一个控制项，增强平滑区域的惩罚项，弱化边缘的惩罚项，以较好地保留物体的边缘结构和角点信息。