医学图像分割作为图像分割的较早应用领域,是医学图像分析的关键技术,也是临床应用的重点和难点。我们可以通过分割算法提取出医学图像中的感兴趣区域并单独显示,从而更直观的了解病变区域和正常组织结构。虽然现有的传统模型已经取得不错的效果,但它们任然存在一些问题,如乘法内在分量优化模型不能很好的分割噪声图像,对噪声不具有鲁棒性。基于该模型的上述缺点,同时受到该模型的启发,本文提出了两种对于乘法内在分量优化模型的不同改进方法。对于医学MR图像,本文提出了一种精确鲁棒的基于二区水平集函数的主动轮廓模型,并成功将其拓展为四区模型,应用于人脑MR图像中。我们将添加了边缘检测函数的水平集框架下乘法内在分量优化模型的能量函数作为数据项,并增添长度项,得到我们新定义的能量函数。同时应用分裂Bregman方法有效的极小化能量函数。我们使用新模型来处理大量的脑磁共振图像来测试它的性能。实验结果表明,该模型能较好地处理含有严重偏磁场或阴影的图像,并且对初始轮廓线和噪声具有较强的鲁棒性。同时,我们从实验结果和数值结果两方面将新模型与乘法内在分量优化模型进行了比较,结果表明,无论在分割精度还是校正效果上,我们的模型都优于乘法内在分量优化模型。对于牙齿CBCT图像,尤其是被牙龈所包裹的牙齿图像,本文提出了一种带有先验条件信息的精确抗噪模型。通过对牙齿图像的分析,我们将单颗牙齿默认为椭圆形状,并通过一系列分析得到先验条件信息。该模型的能量函数主要由目标图像数据项、最终轮廓曲线长度项和先验条件信息约束项三部分构成,然后直接应用梯度下降法对能量函数进行极小化求解。我们用该模型分割了大量牙齿图像,实验结果表明,该模型能够准确的分割强度不均匀且目标边界与背景相似的牙齿图像。并且通过实验对比,我们发现,新引入的先验条件信息在新模型的分割能力方面起到了至关重要的作用。