诸如脉粥样硬化之类的冠状动脉疾病是以动脉血管壁上斑块的累积为特点的，它能引起动脉的部分或全部障碍，必须对其进行早期诊断和准确评价。血管内超声(Intravascular Ultrasound，IVUS)是这种诊断和评价的常用工具，它具有安全、实时、无损和廉价等优点。提取IVUS图像边缘并作进一步的图像分析处理，不仅可以对血管腔的面积进行精确测量，而且还可以发现早期冠状动脉粥样硬化斑块，并对斑块的形态结构实时显示，对斑块成分和偏心距、壁厚等参数实时检测。所以，IVUS图像的边缘提取对冠状动脉疾病的诊治有着重要的临床应用价值。 由于血管内超声图像的内、外膜边缘属于强噪声环境下的弹性体弱边缘，而常规的边缘检测算子对噪声非常敏感，并且更适宜于处理刚体图像。本文利用活动轮廓模型(Active Contour Model)理论上能够提取任意复杂轮廓的优势来解决血管内超声图像内、外膜边缘提取问题，以克服经典方法的不足。活动轮廓模型，也称为Snake模型，被定义为能量达到最小值的曲线，而基于Snake模型的边缘提取问题就是使目标函数极小化的最优化计算问题。针对传统Snake模型抗噪性能差的缺点，本文改进传统Snake模型用边缘对比度特征量代替了梯度能量，该特征量不仅考虑了图像的灰阶梯度信息，还考虑了背景亮度信息，克服了传统Snake模型易受图像噪声干扰的缺点，增强了算法的可靠性。在能量函数的最优化计算中，本文通过训练Hopfield神经该网络来改变能量函数使之极小化，并结合模拟退火算法确保函数收敛到全局最优，从而达到精确提取IVUS图像的内、外膜边缘的目的。实验结果表明，和以往的提取方法相比，本文方法准确性和可靠性较高，对序列图像处理的可重复性和鲁棒性较好，是一种较好的自动边缘提取算法。 超声成像技术的特点决定了血管内超声图像存在严重的Speckle噪声，它们降低了图像的空间分辨率和对比度分辨率，模糊了血管边缘，从而对边缘提取等后续图像分析处理工作造成不利影响。因此，有效地抑制血管内超声图像的Speckle噪声是成功进行边缘提取的一个关键。而一些常用的滤波方法，如自适应中值滤波、维纳滤波，小波滤波、各向异性扩散滤波等，在抑制噪声的同时不同程度地