医学图像分割是医学图像处理领域的一个重要研究内容，并且具有非常广泛的应用，尤其对临床疾病的诊断具有非常重要的指导意义。基于可变形模型方法由于在分割的过程中采用先验知识进行指导，是目前研究很热门的一类分割方法。本文首先介绍了可变形模型的原理及其应用，然后详细介绍了活动形状模型方法的分割原理。统计形状模型是影响基于可变形模型分割方法的一个非常重要的因素，因为器官的形状在临床诊断、设定治疗计划、治疗评估和肿瘤仿射治疗等方面都有着不可替代的作用。但是，目前基于可变形模型的分割方法使用的统计形状模型有以下两个缺陷：一是采用基于群体特性（population-based）的形状模型，并没有考虑病人的个体特性，二是统计形状模型的建立都是在原始的图像空间，而原始图像空间包含了“噪点”因素的干扰，并不能反映数据的本质结构。本文提出了基于病人特性的形状模型，通过给病人建立和该病人相似的形状模型，来解决上述的两个缺陷。本文提出的算法通过流形学习的方法获得了反映图像本质结构特性的低维流形，并在此基础上对训练样本形状和测试样本形状进行了相似性度量。由于现实应用中的数据不总是满足流形假设的条件，因此，本文提出了结构限制性数据的形状模型方法。本文提出的形状模型方法能获得更精确的形状先验。可变形模型在精确形状先验的指导下采用最优化搜索方法最小化能量函数，从而达到医学图像分割的目的。本文提出的方法在二维和三维的前列腺数据上进行了实验，与其他方法相比，本文提出的方法能获得更好的分割结果。