计算机辅助诊断不断增长的临床需求，促使医学图像处理方法也飞速发展。医学图像处理方法对医学科学研究以及临床诊断治疗具有重要意义，在放射治疗计划制定，手术导航，脑功能与结构研究中均具有重要的应用价值。在所有医学图像处理算法中，图像增强，图像分割是两类最重要的算法，也是两大最热的难题。　　图像增强，它可分为图像降噪与对比度增强，它一般要达到以下几个目的:　　(1)去除噪声干扰;(2)保持组织边缘;(3)增强图像整体的可视度，以及感兴趣目标与背景的灰度对比度。本文将研究改进引导滤波算法，并将其应用于脑部核磁共振图像的降噪，同时也提出新的对比度增强方法。　　图像分割，它是指要完整的提取出感兴趣的目标，在该领域涌现了大量的全局优化与局部优化模型。本文将结合高层视觉先验信息，同时融合全局优化模型与局部优化模型的优点来研究新的图像分割方法。　　本文主要的研究内容以及创新点包括:　　1.针对最近两年提出的引导滤波，本文首先分析了它的优点与缺陷，同时分析了现有的针对该方法的改进，提出了一种基于LoG(高斯拉普拉斯)边缘算子加权改进的方法。在开源脑部仿真数据库Brainweb上进行实验，采用若干衡量降噪质量的技术指标进行评估，结果表明本文提出的改进全面优于原始引导滤波以及相关改进，同时未增加任何参数与复杂度。与现存的主流降噪算法比较表明，本文提出的方法在降噪能力和保持边缘的能力上，总体水平最平衡。　　2.针对灰度图像边界的模糊性与感兴趣目标的异质性对图像处理造成的困难，提出了一种新的基于灰度-彩色-灰度变换的图像增强方法。利用CIE Lab颜色空间具有的视觉均匀性与颜色和亮度在子空间分离的特性，将原始灰度图像进行伪彩色变换后，采用提出的分离度指标衡量原始灰度图像与CIE Lab彩色空间中三个灰度通道的分离度。分离度最大的图像，可以最大限度的在灰度空间上分隔开目标与感兴趣区域，同时降低了目标的异质性。辅以分段伽马非线性变换，在对MRI脑部肿瘤图像的实验中，表明是一种有效而实用的图像增强新方法。　　3.利用本文提出的图像增强新方法对医学图像进行增强后，采用Otsu阈值法对目标进行粗分割，结果表明往往能非常准确地分割出对象。在粗分割失败时，提出了一种新的迭代的基于窄带的局部优化方法，它可以进一步取得局部最优值，称之为细分割。将粗分割与细分割方法融合，形成了一种新的图像分割方法。利用开源彩色数据库MSRA1000以及若干定量分割质量评估指标对该方法进行评估，同时也讨论了该方法对参数的敏感性，结果表明该方法非常有效，且具有通用性和很强的灵活性，最后成功将其应用于MRI脑部肿瘤图像的分割。　　4.通过分析现存的若干经典水平集模型，从理论和实验上分析限制其应用的几个关键问题，即速度函数作用范围，初始轮廓设置以及重新初始化模型，然后提出了本文的几个建议。在此基础上，提出了融合先验知识的掩膜水平集框架，成功将其应用于MRI脑部肿瘤图像分割，而原始的方法则无法正确提取目标。