图像分割是模式识别和图像分析等领域的关键步骤，广泛应用于边缘检测、运动跟踪以及医学辅助诊断等领域。近年来，基于活动轮廓模型的图像分割算法以其灵活的形状分割和可以获得目标封闭轮廓而备受关注。本文对基于活动轮廓模型的图像分割算法进行了系统深入的研究，主要工作包括:　　1)首先，对图像分割算法的研究背景和发展过程进行综述，并重点介绍活动轮廓模型分割算法的数学原理和实现方法。　　2)针对参数活动轮廓模型和几何活动轮廓模型的构造思想，以及基于边界信息或区域信息驱动活动轮廓曲线演化过程的不同，通过实验验证参数活动轮廓模型中Snake算法（包括经典Snake、Balloon-Snake、GVF-Snake等），和几何活动轮廓模型算法中的CV模型算法的优缺点。　　3)针对Balloon-Snake模型对权重系数设置敏感、不能灵活选择收缩或者膨胀的不足，提出一种动态力与静态力相结合的方法。即根据静态力场的方向确定Balloon力的方向，使其能够自适应选择Balloon力的方向，减小其对参数的敏感。实验结果表明，该方法有效地解决了Balloon-Snake模型对权重系数过于敏感，各个控制点无法灵活选择各自Balloon力方向的问题。　　4)对于超声图像分割，单纯依赖边界或区域信息的活动轮廓模型难以取得鲁棒的分割效果。本文提出先用基于区域信息的CV模型进行整体区域分类，然后在每个目标区域内用GVF-Snake模型进行二次分割。该方法能有效的解决超声图像模糊和断边的难点，分割出的目标区域轮廓完整，接近手动分割轮廓。　　5)随着图像分割技术的发展，边界信息与区域信息结合、局部信息与整体信息结合，以及灰度信息与纹理信息结合等将成为图像分割领域的发展趋势。继续探索适合医学超声图像的方法，依然是需要进一步解决的问题。