现代医学设备的发展与普及给医学临床诊断提供了丰富的依据。但是，现有设备只能提供图像而不能挖掘出这些数据中包含的各类信息。因此，借助图像分割技术从医学图像中分离出器官，计算其生理特征和功能状况等重要信息，并分析出可能存在的病灶位置，帮助医生进行诊断和治疗成为当今研究热点。可变形模型技术是目前最常用的图像分割技术，自其诞生30年来各种模型层出不穷，但很多模型无法实现基于解剖学结构的图像分割。而本文采用的动态形体模型是基于训练集先验知识建立的一种统计模型，能充分利用医学图像训练集先验知识特点，从而能较好地实现基于解剖学意义的图像分割。本文将动态形体模型应用于脚踝骨图像的分割。首先，以脚踝骨的医学图像为训练集，建立了其形体统计模型并将之应用于新的图像的分割和拟合。实验结果表明：与传统的医学图像分割方法相比，动态形体模型的分割更精确，特别是在图像噪声较大的位置，动态形体模型取得了显著的分割拟合效果，验证了动态形体模型在脚踝骨图像分割上的可行性和有效性。其次，研究中发现统计模型的建立过程中存在平均形体不科学、分割过程中形体过早局部收敛和畸变等问题。本文采用遗传算法的全局搜索优势改进了初始形体，分析了各种改善初始形体的适应度函数。同时，在形体的整体分割中加入了区域分割的方式，通过控制子形体的形变范围来调整整个形体的形变过程，最终优化整个形体的图像分割效果。本文的研究表明：动态形体模型能有效地实现二维医学图像基于解剖学意义的分割，为将来能将其应用到其他组织和器官的分割和三维建模上奠定了有力的理论和实践基础。