婴幼儿时期是大脑发育的重要时期,婴幼儿患脑部疾病的几率大大高于成人,因此有必要对婴幼儿脑部进行研究。利用核磁共振图像对婴幼儿脑结构进行分割,是对婴幼儿脑结构进行形态定量分析,研究婴幼儿脑部发育及诊断疾病的基础。深层脑结构包括胼胝体、海马体、脑室等,其形态变化与许多疾病密切相关。幼儿的深层脑结构处于发育中,灰度、形状信息与成人相比更加复杂和不规则,其分割比成人更加困难。本文以海马体、胼胝体为例,在多图谱框架下,以字典学习为基础深入研究婴幼儿脑结构的三维自动分割方法。本文的主要工作及研究成果有:（1）针对婴幼儿脑MR图像脑结构边缘模糊的特点,研究并实现了基于判别性字典学习的多图谱融合算法,提出了结合目标邻域信息的判别性字典学习的改进算法。结合目标邻域信息的判别性字典学习的改进算法在待分类目标体素周围选取最相邻的一些体素,分别对这些体素和目标体素进行字典学习和稀疏表示,将获得到的多个标签进行加权分析来综合判别目标点的标签。该方法更全面的考虑了脑图像的局部信息,避免了目标体素的单一判别的弊端,增加了标签之间的依赖关系,对脑结构边缘标签的判别能力具有较大的提升。（2）针对婴幼儿脑MR图像质量差的特点,在基于核字典学习的多图谱融合算法的基础上,提出了融合图像纹理特征的核字典学习的脑结构分割算法。在多图谱融合的字典学习过程中,将训练数据和测试数据进行核化,形成高维的虚样本,该方法将数据映射到了高维空间,然后融入图像信息的LBP纹理特征,提高了图像块的判别能力。使该算法对低质量图像有更好的分割结果,提高了算法的分割精度。（3）针对婴幼儿脑MR图像对比度低的特点,研究了基于标签一致字典学习的多图谱融合算法,并将核标签一致字典学习算法首次用于多图谱融合中实现婴幼儿脑结构的分割。标签一致字典学习是利用原始字典和训练字典的标记关系构建标记误差项,增强字典的判别性。核标签一致字典学习在此基础上,将图谱图像从原始特征空间映射到高维空间,在高维空间中进行字典学习,解决了数据的非线性问题,更进一步的提高字典的判别性,克服了图像对比度低的弊端。