作为图像工程的一项基础技术，图像目标分割广泛应用在了医疗、军事、安防、交通等各个领域。图像目标分割一直是计算机视觉领域的研究热点，已经有上千种基于不同理论的方法提出。基于曲线演化理论的可形变模型将图像目标分割问题转化成能量泛函最小化问题，支持高层先验知识的引入，为图像目标分割问题提供了统一框架，得到了广泛的研究和应用。由于曲线表示方法的不同，可形变模型可分为参数型与几何型两种。几何可形变模型，即水平集方法，将二维演化曲线看作是三维水平集函数的零水平集，可以方便地处理二维空间中演化曲线的拓扑变化；通过优化定义在水平集函数上的能量泛函，实现图像目标分割。　　然而，当图像目标被遮挡或背景复杂时，仅利用图像信息的可形变模型无法取得理想的分割结果，引入形状先验是一种可行方案。根据形状先验的数量，引入形状先验的水平集方法可分为单先验方法和多先验方法两种，其核心是基于目标形状设计能量泛函正则项，从而约束演化曲线的形状。基于单先验的方法中单先验不能反映同类形状的共性，且对曲线约束过强，当先验形状与目标差异较大时，结果不够理想；而基于多先验的方法通常难以获得足够数量的形状先验，形状向量稀疏地分布于特征空间，无法有效反映形状的通性或准确估计其概率分布，造成形状约束正则项有效性降低。本文针对基于形状先验的水平集方法存在的问题，提出了两种改进方法如下：　　（1）提出一种基于独立成分分析的多先验水平集方法。针对多形状先验在特征空间稀疏分布的问题，该方法将形状先验数据从观测空间映射到低维特征子空间，然后再用核密度估计法得到形状先验的概率分布。基于低维空间中的形状分布设计形状约束项可以更有效地约束曲线演化，实现特定形状目标的分割。　　（2）提出一种基于形状语义约束的混合水平集方法。受到形状匹配领域相关技术的启发，引入形状上下文设计了一种新的基于单形状先验的混合水平集方法。该方法基于形状上下文设计单形状约束能量项，能够灵活地处理语义不变的形状变化，虽然只采用了单个形状先验，但却能在较少的迭代次数内得到与多形状先验方法相同甚至更好的分割效果。此外，混合框架使得水平集方法更容易引入其他形状描述子，便于推广应用。　　综上所述，本文提出的两种方法改进了具有形状先验的水平集方法，尤其是第二种方法中提出的基于形状语义约束的混合框架具有创新性，为引入形状先验提供了新的思路。所提出的两种方法丰富了基于可形变模型的图像目标分割理论，促进了此类分割方法的实际应用。