随着临床医学和计算机科学的相互渗透与发展,医学图像处理能避开主观因素的影响,尽早准确地诊断出肿瘤种类及恶性程度,有助于对患者制定有效的治疗方案,因此基于图像处理的脑图像分割与识别显得尤为重要。论文主要对模糊聚类分割与SVM识别及相关算法进行研究。针对模糊聚类算法对脑图像中的噪声、伪影等极为敏感的问题,提出了基于邻域信息的FLICM改进算法。论文在梯度下降法推导的FLICM算法基础上,通过引入像素的灰度相关性,融合像素的空间信息改进了目标函数。经实验测试表明,相比较其他的模糊聚类分割算法,该改进算法的分割效果更好,抗噪性能明显得到增强。为提高FLICM算法的分割效率,论文提出了结合SCoW的FLICM改进算法。首先对图像进行SCoW预处理并通过阈值法进行修正细分割,压缩预处理数据;然后提取各超像素块的均值特征作为聚类算法的输入;最后基于改进的FLICM算法完成图像分割。经实验测试表明,该改进算法的分割效果更好,运行效率平均提高了30%。由于SVM的性能很大程度上取决于模型参数的选择,同时粒子群算法存在过早收敛以致陷入局部最优等问题,致使基于粒子群优化的SVM的分类结果不够好,因此论文研究通过引入变异机制和动态参数设置的改进粒子群优化SVM训练模型,根据脑肿瘤的形状和边缘特征,实现二次SVM的脑肿瘤识别。经实验测试表明,本文算法的收敛速度更快、分类精度更高。