近年来,随着计算机信息技术的高速发展,医学影像技术也在不断提高。传统的对医学影像的目视观察已经发展到借助计算机和图形图像技术对人体结构、病变区域等进行自动地定位、分割、特征参数提取与分析等处理,从而使得计算机医学图像处理技术在近年来成为国内外研究的热点,而医学图像分割是计算机医学图像处理的关键技术。相比于其他图像,医学图像更加复杂与多样,传统的图像分割方法很难取得较好的分割结果,而基于水平集的图像分割模型,不仅使用了图像的底层信息,而且结合了高层的先验知识,并且不用跟踪曲线在演化过程中的拓扑变化,不会发生边界断续的现象,这使得水平集方法在医学图像分割领域中得到了广泛的应用。本文对基于水平集的医学图像分割方法进行了深入研究,主要包括以下几个方面:第一,研究了具有代表性的水平集分割方法:GAC方法,Li模型方法,Li改进模型方法,C-V方法和V-C多相水平集方法,并将其应用于人工图像和医学图像分割中。第二,将改进的距离惩罚项引入到C-V模型中,提出了改进C-V模型,改进模型避免了水平集函数的重新初始化,提升了演化速度和分割精度。得到了引入了距离惩罚项之后的V-C多相水平集模型中任意个水平集函数的能量泛函的通用表达式以及任意水平集函数的演化方程。第三,提出了一种将基于边缘检测与基于区域的水平集分割方法结合起来的合并方法,该方法既利用了基于边缘检测的水平集分割方法和基于区域的水平集分割方法各自的优势,也克服了它们的缺陷,并通过实验证明了合并方法可以获得更好的分割效果和更高的分割精度。