随着计算机、自动化、电子技术等各项技术的发展,医学成像技术(如B超、CT、MRI等技术)迅速发展,这使得临床医生对人体内部病变部位更直接、更清晰、更准确的观察成为可能。在医学临床实践和研究中,经常需要对人体某种组织和器官的形状、边界、截面面积以及体积进行测量,从而得出该组织病理、或功能方面的重要信息。因此精确的测量对疾病的诊断和治疗有重要的临床意义。由于人体解剖的个体差异较大,临床应用对医学图像分割的准确度和分类算法的速度要求较高,目前虽然已有多种分割算法,但是远未达到完善。因此,医学图像分割算法的研究仍是当前医学图像处理和分析的热点。在本文中,提出了一种改进的模糊Kohonen’s竞争算法(MFKCL)可以对脑核磁共振图像进行自动的分割。在医学图像中,往往存在着大量噪声,这些噪声会严重影响分割结果的准确性。传统的模糊Kohonen’s竞争学习算法虽然能抵御部分噪声对分割结果的影响,但是分割的结果仍包含部分噪声,效果也不是非常理想。针对以上的问题,本文主要做了以下几个工作:1.在深入研究传统FKCL算法和FCM算法的基础上,对二者进行了比较,通过实验我们发现虽然FKCL算法比FCM算法在抵御噪声方面要有所提高,但效果仍然不是很理想。2.深入研究了几种传统的和新型的去噪方法。通过这几种比较有代表性的去噪方法总结出中央像素与周围像素的关系,并提出一种局部因子作为局部信息。3.提出改进的模糊Kohonen’s竞争算法(MFKCL)。在原有的FKCL算法基础上,嵌入我们提出的局部因子信息,从而对图像中的噪声进行有效的抑制,来克服噪声对于分割结果的影响。我们把新提出的MFKCL通过大量的实验与目前比较经典的FCM,以及比较常用的FKCL、KCL等图像分割算法从视觉效果以及准确率方面进行比较。实验证明,改进的模糊Kohonen’s竞争学习算法取得了令人满意的效果,是一种分割准确率以及运算效率较高的模糊聚类算法。