本文主要就影响医学图像分割的分割速度和弱边界目标的分割精度等几个关键问题,在对水平集方法和Chan-Vese模型有了深入理解和研究的基础之上,做了大量实验和分析,提出了如下改进方法:首先,提出了基于物体边界梯度的指数级加速因子模型。该模型不仅能有选择性地对特定目标进行加速分割,而且还能提高弱边界目标的分割精度。实验证明,与基于梯度加速项的方法相比,该方法对特定目标具有更好的分割效率。此外,为了解决Chan-Vese模型迭代过程中费时的重新初始化问题,在模型当中引入了内部能量项,消除了传统Chan-Vese模型的重新初始化操作。其次,提出了一种与互信息中熵相关系数概念相结合的改进了的无监督分等级分割方法。该方法使熵相关系数(ECC)与灰度均方差值(Var)一起对分割的过程进行控制,在分割过程中的每一步使用同一个水平集函数进行分割。实验证明,该方法能够提取出传统Chan-Vese方法所不能提取出的弱边界目标,提高了对于弱边界目标的提取精度。最后,提出了一种简单的基于Chan-Vese模型和并行计算思想的二重水平集模型。通过并行处理的方式,可以使两条水平集演化曲线分别针对具有不同边界梯度值的目标进行加速分割,达到一次性对两个感兴趣目标进行加速提取的目的。另外,针对Chan-Vese模型的分割速度对初始水平集曲线位置敏感的问题,该模型使两条水平集曲线分别位于图像中不同感兴趣目标的附近并行演化,在演化到规定的时间之后计算两条演化曲线的能量函数值,选取值较小的那条演化曲线作为最终的分割结果,从而在一定程度上解决了Chan-Vese模型的分割速度受初始演化曲线位置影响的问题。