医学图像分割是所有医学图像分析的基础，也是基于医学影像进行人体解剖与功能分析的基础。它是指向性的，对于不同的模态图像，不同的解剖结构，需要不同的分割方法。它又是一个病态的问题，因为图像的伪影以及人体器官的复杂，使得分割问题不存在唯一解。随着医学图像成为日常治疗与研究的主要手段，以及医学图像分析技术的快速发展，都需要更加准确，可靠，鲁棒的分割算法。本文从综述现有的分割方法学开始，给出我们对分割算法的一些尝试，论文的主要贡献如下：　　 我们提出一种新的变分分割框架。这个方法的创新性在于用J散度(对称的K-L散度)来度量局部区域与全局区域的不相似性。每个像素的灰度值被其邻域的概率分布代替。它的引入确保了分割算法对噪声的鲁棒性。J散度被用来度量局部和全局分布的概率密度函数之间的“距离”，所有的局部与全局分布都被假设成高斯分布，这个假设能够使计算效率得到极大的提高。此外基于边缘的测地线能量也被加入到提出的能量泛函中，这样做能够减少由区域项能量在物体边缘处带来的分割误差。而且提出来的方法是多相位的。从合成试验到真实数据的试验证明了我们方法的有效性，　　 我们把提出来的J散度变分分割框架应用到核磁共振图像(MRI)脑组织分割问题上。由于脑组织可以被分为白质，灰质和脑脊液，它们之间是两两相交的，我们实现一种三相位的分割模型，与其它方法相比，它的优点是能够保证任意两个区域都形成竞争。从而能够保证对初始误差更加鲁棒。　　 我们也提出一种迭代的模糊C均值(FCM)方法去分割正电子断层扫描图像(PET)中的肿瘤。FCM方法是基于直方图的快速算法。用传统的FCM必须指定分类数目，然而这种背景污染的图像其分类数目对于不同的图像可能不同。在我们的方法中我们只指定两类：前景和背景，计算前景的标准差来决定是否需要进行迭代，这个方法的优点是完全自动而且简单，我们也把这个方法应用到蛋白质凝胶电泳图像中的蛋白质点检测上，所有的试验结果证实了提出的方法的有效性和效率。