图像分割是指将图像按照不同特征划分成若干个具有相似性或一致性的区域，并提取出感兴趣目标的过程。它是图形识别和计算机视觉领域至关重要的预处理，对图像的特征提取和研究起到了关键性的作用。随着新的理论和方法的发展以及研究人员对原有模型的不断改进，近年来涌现出不少分割算法。但是由于图像种类繁多，应用具有复杂性，目前还没有一种能够普遍适用于所有图像的分割方法。基于偏微分方程的活动轮廓模型是一类新兴的图像处理模型，它是依托曲线演化理论发展起来的，与传统的图像分割算法相比具有更强的自适应性、更高的分割精度等优点。　　本文围绕基于活动轮廓模型的图像分割方法展开研究。首先对图像分割算法进行了归纳和综述，根据活动轮廓模型的分类，详细介绍了几种经典的活动轮廓模型;然后对活动轮廓模型中的数学基础知识进行了描述;最后对基于活动轮廓模型的非同质图像分割算法进行了重点研究，主要内容如下:　　1.提出一种新的结合全局和局部信息活动轮廓的非同质图像分割模型。提出的模型充分利用图像的区域信息，消除非同质污染的影响，并利用交互熵准则得到局部自适应权重，有效地提高了非同质图像分割精度。　　2.对基于信息几何的快速分割算法进行改进。原有的快速算法利用黎曼最速下降法改变曲线演化的方向，极大地提高了算法收敛速度。但是原有算法没有考虑图像的局部特征，无法分割灰度非同质图像。因此对原有算法进行改进，充分利用图像区域信息，提高算法分割的准确性。　　实验中，采用Jaccard相似系数-JS(Jaccard similarity)和Dice相似系数-DSC(Dicesimilarity coefficient)两个指标对不同模型的分割结果进行定量分析，结果表明:　　1.与经典的活动轮廓模型相比，提出的模型JS和DSC的值最接近1，迭代次数不多于50次。此外，当设置不同初始轮廓线对图像进行分割时，传统的活动轮廓模型产生了不同的分割结果，而提出的模型结果是相似的。说明提出的模型对灰度非同质图像进行分割具有较高的计算效率和准确率，且降低了对初始轮廓位置的敏感度。　　2.与传统的活动轮廓模型相比，改进的快速算法利用黎曼最速下降法对曲线进行演化，其迭代次数不多于10次，可见改进的算法具有较快的收敛速度。另外与原有快速分割算法相比，改进的算法结合了图像全局信息和局部特征，不仅保留了原有算法在弱边界图像分割中的优势，而且对灰度非同质图像也能得到较好地分割结果。