近年来,我国近海海域赤潮事件频发且规模不断扩大,严重破坏了海洋的生态环境,制约了我国沿海经济的可持续发展,这引起了我国政府及科学界的高度重视。我国政府从不同层面对赤潮发生的机制、预警、预报与防治方法的研究进行了大量的投入,其中自动识别有害赤潮藻是有效预防和快速鉴定赤潮藻种的重要工作,而赤潮藻显微图像分割结果的好坏直接影响自动识别的效果。本文的主要工作就是研究一种适合赤潮藻显微图像的分割方法。变分法和水平集方法是偏微分方程理论中两种常用的有效的数学方法,采用这两种方法的图像分割模型基于变分法的参数化活动轮廓模型(Snake模型)和基于水平集方法的几何活动轮廓模型集中体现了偏微分方程图像处理的优越性。本文针对参数化活动轮廓模型满足能量极小化原理和几何活动轮廓模型适应曲线拓扑结构变化各自的优点,并结合我国沿海常见有害赤潮藻种类繁多、形态各异和其显微图像噪声多、信息模糊等的特点提出一种较为理想的赤潮藻显微图像分割方法——变分水平集赤潮藻显微图像分割方法。利用变分水平集进行图像分割的方法中,基于图像边缘的分割方法利用图像边缘的梯度信息进行图像分割,不适用于噪声多、信息模糊的赤潮藻显微图像;基于图像区域的分割方法利用图像的全局区域信息,具有良好的优化分割效果,本文详细分析和介绍了其经典的两种模型:M-S模型和C-V模型。M-S模型的能量函数包含了对图像的区域、活动轮廓曲线的描述,通过优化该模型的能量函数,可以一次获得原始信息模糊、噪声较大的图像的边界、区域以及平滑图像。有人提出用水平集方法来解决M-S模型能量函数的优化问题,即建立M-S模型的简化模型C-V模型。C-V模型不依赖于图像梯度,而且水平集函数的初始位置可以定义在图像的任何地方,但C-V模型存在不足之处,在曲线演化过程中水平集函数需要不断的重新初始化,因此,本文结合李纯明等提出的在能量函数中融入距离保持项(惩罚项)的思想,提出无需初始化的变分水平集图像分割方法,并在此基础上,通过同时考虑图像的边缘和区域信息,得到适合多数赤潮藻种显微图像分割的方法——基于边缘和区域的变分水平集赤潮藻显微图像分割方法。最后通过实验证实了该方法的有效性。