计算机视觉和模式识别的一个关键性问题就是图像分割，同时它也是图像工程中最重要的一个环节。图像分割的目的是将图像划分成一定数量的具有相同性质的子区域，以满足后期图像分析的需求。近些年来，国内外学者研究出了越来越多的图像分割方法，而基于偏微分方程的分割方法比较容易处理曲线的拓扑变化，此外它有着严格的数学理论基础，所以算法稳定性好，计算精度高，得到了广泛的应用。基于偏微分方程的分割方法，即活动轮廓模型，主要可以分为基于边缘和基于区域两种类型。基于边缘的模型主要利用目标的边缘信息，如曲率，梯度等，但是存在一定的局限性，对于目标边缘模糊断裂的情况不能很好的处理以及对于曲线拓扑结构的变化不能很好的解决。基于区域的模型由于利用了全局的信息，如灰度，形状，颜色等，能够很好的解决基于边缘模型的不足，尤其是水平集方法的出现，它将演化曲线隐式的表达为零水平集函数，将演化的过程转化为偏微分方程的求解，从而避免了演化过程中的跟踪和参数化处理，提供了一个严谨稳定的数学模型，解决了曲线分裂合并的情况，因此基于区域的模型得到了更多的关注。遥感图像具有多灰度级、多目标的复杂结构、边界模糊等特征，上述的基于边缘的模型都不能很好的分割这类图像，所以选取基于区域的水平集方法作为研究对象。本文针对多相位的C-V模型进行了适当的改进，从而使其对遥感图像的分割效果达到更好。具体的研究内容和创新点如下：（1）首先，虽然C-V水平集模型允许初始轮廓可以在图像上任意处，但是位置的不同对分割结果的影响还是相当的巨大。初始轮廓的选择不当，一方面会降低收敛的速度，另一方面甚至可能会分割失败。为了解决这些问题，我们提出了一种新的初始化方法，即选择前面n（n为水平集函数的个数）个面积最大的连通区域的轮廓为初始轮廓，实验证明该方法能使收敛速度更快，且运行起来高效稳定。（2）其次，传统的C-V模型需在演化过程中需要不断重新初始化水平集函数为符号距离函数，这样就造成了计算量的大大增加。为此，我们引入距离惩罚项来解决重新初始化的问题。（3）最后，传统C-V模型分割遥感图像时结果中存在很多琐碎区域，这对于最终的结果来说是冗余的。因此，引入梯度信息，与全局灰度信息一起，加速收敛进程以及消除细小冗余区域。