当前人类对大脑生理和功能上的研究处于起步阶段,磁共振(Magnetic Resonance, MR)技术对大脑这样的软组织成像特别有效,而且对人体没有放射性伤害,所以MR技术已经成为脑疾病临床诊断的重要辅助手段。准确地分割脑MR图像,对脑部解剖、影响脑实质的不同病理条件的探测、放疗计划的制定以及对大脑进行功能性研究等临床处理和科学研究,具有重要的指导意义。然而,受磁场不均匀性、MR设备本身、脑组织的容积效应和脑组织间的差异性等影响,图像的灰度均匀性变差；另外,图像对比度低、不同软组织间的边界模糊以及形状结构复杂,也是分割面临的难题。因此,利用计算机自动精确分割脑MR图像就显得很必要。针对上述问题,马尔可夫随机场(Markov Random Field,MRF)具有其自身优势,论文将研究如何采用MRF对脑MR图像实现自动分割。论文研究发现：(1)灰质、白质和脑脊液的差异主要体现在灰度上；(2)经典的聚类算法易于实现,而且速度快,但鲁棒性较差；(3)MRF模型方法可以很好的处理局部容积效应、伪影等导致的脑MR图像退化等问题,不过其准确性还有待进一步提升。针对上述问题,论文首先运用C-V模型将待分割图像预处理,去除非脑组织,然后运用MRF进行建模,依据最大后验概率(Maximum a Posteriori Probability, MAP)准则实现分割。论文工作主要集中在MRF参数的估计和优化方面,即选取合适的参数对提取出的MR图像灰度信息运用MRF建模。论文对已有的几种灰度场参数以及惩罚因子的估计方法进行阐述,并针对其存在的问题利用粒子群(Particle Swarm Optimization, PSO)算法和局部熵的方法进行改进,既保证分割的鲁棒性,又提高了分割准确度。论文采用IBSR数据库的真实脑MR图像以及复旦大学附属华山医院的临床脑MR图像对所提出的算法进行了实验评测,结果表明,论文提出的方法在保证了全自动分割的同时,分割精度有了较大的改善。