图像分割技术用于提取图像中感兴趣的目标,它是图像处理中十分重要的研究内容之一。本文主要研究基于测地线活动轮廓模型的图像分割、基于C-V模型的图像分割、基于均值平移的图像分割和基于归一化割的图像分割等四个方面的内容。对于测地线活动轮廓模型,主要研究它的力场设计问题。梯度矢量流力场是活动轮廓模型中应用最广泛和效果最好的力场之一。尽管如此,梯度矢量流测地线活动轮廓依然难以进入目标边缘上一些特殊形状的凹陷,并且使轮廓曲线的演化容易受到噪声的干扰。为了解决以上问题,作者为测地线活动轮廓模型提出了惯性力场和初始速度,并通过将惯性力场和梯度矢量流力场结合到测地线活动轮廓模型中,提出了梯度矢量流—惯性测地线活动轮廓模型。在作者提出惯性力场之前,所有活动轮廓模型都是在非惯性系中演化的。惯性力场把测地线活动轮廓模型的演化转移到惯性系中,并使它具备了原先所不具备的一些新的性质,如使它可以带着初始速度开始演化。惯性力场和初始速度的出现,使得活动轮廓模型能比较容易的进入特殊形状的凹陷。更重要的是,它们减少了对活动轮廓初始曲线的限制,使得人们可以更加方便的运用活动轮廓模型去解决实际问题。C-V模型作为一种基于区域的活动轮廓模型能够探测到模糊和离散边缘,并且对噪声的干扰有较好的适应能力。但对于那些无法用分界线光滑的二值函数来拟合的复杂的图像,C-V模型的分割效果并不理想。作者把C-V模型中的区域力量与梯度矢量流力场相结合,并用一个随着轮廓曲线内部面积变化而变化的因子来调整区域力量在这一耦合力场中的权重,提出了辅以区域力量的梯度矢量流测地线活动轮廓模型。在这一模型中,梯度矢量流与区域力量的作用是此消彼长的。该模型在演化中既能有效的克服噪声干扰,又对复杂背景有较好的适应能力,作者通过实验从不同角度验证了它的性能。基于均值平移的图像分割方法是建立在非参数密度估计基础上的。作者把该方法与经过改进的C-V模型中的区域力量相结合,提出了适应复杂背景的C-V模型。该模型对复杂背景有良好的适应能力,并克服了基于均值平移的图像分割方法在分割图像时总是分割出不规则的锯齿状病态边缘的缺陷。归一化割是一种建立在全局最优化基础上的分割技术。它能够给出图像全局印象的分层描述。作者把Pixon图像模型与归一化割相结合,提出了基于Pixon图像模型的归一化割。它把归一化割所要分割的对象从图像中大量的像素转化成Pixon图像模型中较少的Pixon,在保持分割效果基本不变的基础上,加快了分割速度,节约了内存消耗。