医学图像对于医生诊断病情具有重要意义，良好的医学图像分割能够帮助医生迅速判断病人病情并采取良好措施使病人恢复健康。伴随着计算机图形技术的迅速发展计算机医学图像处理技术在近年来成为研究的重点，各式各样的医学图像分割算法出现在不断的研究中，但没有一种算法可以处理所有的医学图像。水平集算法作为一种较早提出的算法在医学图像分割方面取得了较理想的发展。水平集算法通过能量函数进行对原函数的修正，逼近待分割物体轮廓。当前，这种算法大体通过基于边缘检测和区域信息来建立能量函数。医学图像分割与传统的图像分割的最显著的区别是，在随机分布噪声的医学图像中进行分割，由于医学图像的复杂性，传统的分割方法很容易造成分段错误，使用水平集并合理调整参数，可以取得较好的分割结果。然而，传统的水平集方法使用的局部边缘信息，对于医学图像的噪点和边缘离散的部分会产生错误的分割，难以取得好的分割效果。医学图像分割类似于人眼对客观世界中不同对象进行分类的过程，它从图像中把相关的结构（或感兴趣区）分离出来，是图像分析与识别首要解决的问题，也是制约医学图像处理中其它相关技术发展和应用的瓶颈。所以，医学图像分割是一种重要的图像处理技术，是自动图像模式识别、场景分析和理解的一个至关重要的处理步骤，是从低层次图像处理到高层次图像理解的桥梁。本文首先介绍了医学图像分割的相关理论和相关方法，并对水平集图像分割的算法进行了比较和分析，重点讨论了基于水平集方法的多种分割方法以及当前水平集分割算法的不足。本文提出了一种方法，该方法首先通过改进的模糊聚类方法对图像进行初步处理，通过改进的模糊聚类方法我们可以比传统的模糊聚类方法获得更好的结果。通过获得初始分割结果，利用水平集方法进行第二次更细致的分割，使用惩罚函数，避免了水平集的重新初始化，通过对距离规则化的水平集演化进行改进，获得更少的计算量和更好的分割结果。在实验中，我们采用了MATLAB R2010B进行仿真实验，通过采用CT图片进行多种水平集分割结果的对比，并对算法的结果进行了详细的说明和分析。结果表明，本文算法获得了良好的分割效果。本文对基于水平集的分割方法进行了分析和比较，做出了有意义的改进。然而，由于图像分割涉及到多种因素，如图像质量，初始化精确度，最主要的是图像中包含了很多相关领域的知识，受限于当前分割算法，并没有一种算法能够对所有的图像获得良好的分割效果。未来可能会考虑采用人工智能方法对图像分割进行操作，因为图像中除了包含像素的信息，更多的包含了交叉领域的知识，如果能够将交叉领域的知识应用到图像分割中，可能会获得更好的效果。因此如何获得更好的质量的医学图像分割仍然是一个具有挑战性的问题，人们需要更多的深入讨论和研究。