图像分割是计算机视觉领域中的研究热点之一,可以应用在目标识别,医学成像和图像分析等领域。但是到目前为止,仍然没有一种通用并且有效的分割方法,且现有的图像分割方法中,存在分割精度不理想、效率不高、通用性差等问题。因此,图像分割的研究具有重要意义。基于活动轮廓模型和水平集方法的图像分割由于其灵活的拓扑结构变化引起广大学者的关注。本文对活动轮廓模型和水平集方法的图像分割算法进行了深入研究,主要研究内容如下:首先,介绍了参数型活动轮廓模型和几何活动轮廓模型的构建原理,详细阐述了水平集理论中的曲线演化和数值实现,引入两种图像分割算法质量的客观评价准则,为评价后续算法性能提供客观依据。对基于边缘的两种活动轮廓模型总结归纳,介绍其模型原理及实现流程,并对这类模型进行仿真实验,最后结合实验结果分析这些模型对于不同类型图像分割的优缺点。其次,针对全局活动轮廓模型无法分割灰度异质图像且局部活动轮廓模型对初始化轮廓敏感的问题,本文提出一种基于改进局部信息的CV模型的图像分割方法。该算法将广义高斯核函数加入局部信息中,引入可控衰减率来平滑噪声,再结合局部与全局灰度信息形成新的灰度拟合函数,经过水平集演化方程得到最终的水平集函数,提取零水平集作为目标的分割结果。通过对比CV模型、LBF模型和LCV模型在灰度不均匀图像、合成图像、多目标图像和红外图像上的分割结果,并计算两种客观评价指标,可以看出本文所提算法具有精度高、分割范围广、初始轮廓鲁棒性强的优势。最后,针对边缘活动轮廓模型易受梯度信息影响和局部二值拟合模型易产生过分割且速度较慢的问题,本文提出了一种基于边缘和局部拟合灰度信息的快速图像分割算法。该算法结合了边缘和局部活动轮廓模型的优点,基于二级分割的思想,利用距离正则化水平集演化模型使曲线快速收敛到目标附近,将分割结果作为局部灰度拟合模型的初始轮廓,然后得到精确的分割结果,使轮廓准确演化,使用边缘模型进行粗分割速度更快,使用局部模型进行细分割结果更准确。通过对比DRLSE模型和LBF模型的分割结果,并计算三种模型迭代次数和演化时间,可以看出所提模型在保证分割准确率的同时所需分割时间最少,是一种快速有效的图像分割算法。