脑疾病是脑科学研究热点。磁共振成像技术因其可获得多方向、多参数、高分辨率的组织结构图像,广泛应用于脑疾病诊断与治疗。脑疾病通常表现为脑组织病变,脑部主要由白质、灰质和脑脊液三大组织构成,研究脑疾病发病机制首先要分割三大组织,进行定性定量分析,然后提出治疗方案,实现医学智能诊断。目前,脑组织的分割常被归属于聚类问题,其中HDBSCAN（Hierarchical Density Based Spatial Clustering of Applications with Noise,HDBSCAN）是一种层次聚类与密度聚类相结合的聚类算法,可发现不同密度的簇,适用于较大数据量的MRI脑组织分割。但是,该算法在分割MRI脑组织时,存在核心参数依赖先验知识,离群点判别差错率高和簇边缘易被误分的问题。针对HDBSCAN核心参数依赖先验知识的问题,本文提出Silhouette系数的参数确定的HDBSCAN,简称S-HDBCSAN,该算法利用脑MRI数据由灰度与梯度组成特征矢量,根据Silhouette系数指标,得到了适合处理该问题的参数组合;针对HDBSCAN因空间变换将绝大多数稀疏点舍去,导致离群点判别差错率高,本文在S-HDBSCAN的基础上,提出变乘数因子相互可达距离的S-HDBSCAN,简称VM-S-HDBSCAN,保留了部分稀疏点数据,改善了离群点的问题;针对因HDBSCAN在利用KDTree计算k近邻距离时,度量标准仅依靠两点的欧式距离造成簇边缘易被误分的问题,本文以边缘信息加权的欧式距离作为度量标准,提出了加权KDTree的VM-S-HDBSCAN,简称WKDT-VM-S-HDBSCAN。实验结果表明,S-HDBSCAN能自动确定HDBSCAN算法的核心参数,可得到MRI脑组织分割的初步结果;VM-S-HDBSCAN能自动保留部分稀疏点数据信息,减少了离群点,MRI脑组织分割的信息更加全面;WKDT-VM-S-HDBSCAN添加了每个数据点的边缘信息,使组织分割的边缘细节得到了改善,并且与文献中的其他算法相比,从主观与客观角度都验证了本文提出的WKDT-VM-S-HDBSCAN的分割结果的有效性。