由于脑部结构的复杂性、患者个人的差异及其肿瘤的变异性,使得CT图像的分割一直以来是一个比较困难的问题。本文采用理论分析和数值实验相结合的方法,以CT图像分割的研究现状为基础,以变分水平集方法的不足为切入点,探究变分水平集方法在自适应方面的改进工作,提出了自适应变分水平集方法。首先,阐述了CT图像分割的研究背景与意义,介绍了CT图像的成像原理、特点、CT值分布与脑部肿瘤的分类与诊断,介绍了图像分割方法的定义、经典CT图像分割方法基本思想以及相应的数学模型,归纳了CT图像分割的研究现状和发展趋势,为今后的研究工作奠定了理论基础。其次,介绍了变分水平集方法的基础理论,即曲线演化理论、水平集理论和变分理论;给出了传统变分水平集方法的数学模型,并分析了该方法的优缺点;针对传统变分水平集方法不能自适应地调整演化方向和速度大小等问题,详细地阐述了改进的基本思想,将传统变分水平集数学模型中的外部能量参数从常数变为与图像梯度信息相关的函数,将Dirac函数的定义域进行推广,将停止函数收敛于零的速度提高,从而提出了一种自适应水平集分割方法。最后,针对4位患者的脑部肿瘤CT图像,先采用阈值法、边缘算子法、K-means聚类法和分水岭方法进行验证分割,归纳这些经典分割方法对脑部肿瘤CT图像分割的特点。在此基础上,给出了变分水平集方法与自适应变分水平集方法的对比实验结果,结果表明,自适应变分水平集方法的迭代速度快、数值计算稳定,不依赖于初始曲线的位置,能够自动根据实时图像信息确定演化曲线的方法和演化速度的大小,能够很好地提取目标物体的多层轮廓、狭窄深度凹陷区域以及弱边缘轮廓。