图像分割是计算机视觉领域中的一个重要的问题。近年来，基于主动轮廓模型的图像分割成为图像分割领域比较活跃的研究热点之一。主动轮廓模型的一个典型特点是将图像数据、初始轮廓选取、目标特征及运动的约束都集中在一个变分框架下，将寻找目标边界的问题转化为求解能量泛函的最小化问题。同时，它具有严谨的数学理论支撑、达到亚像素的精度及高效的数值计算。本文主要在认真地查阅了其国内外研究现状的基础上，通过一些实验深入地分析经典主动轮廓模型的优缺点，实现对传统经典主动轮廓模型的突破和创新。为寻求更一般的图像分割方法提供了一些新的方法和思路，理论分析和实验结果都证明了本文提出的两个新模型相比传统的经典主动轮廓模型有明显的优点，具有一定的研究价值。本文的主要创新点：基于Local Binary Fitting(LBF)模型和Chan and Vese:Active contour without edges (CV)模型，提出一个新的结合局部与全局信息(Localand Global Intensity Fitting, LGIF)的主动活动轮廓模型，LGIF模型既解决了LBF模型容易陷入局部极小值而导致错误分割的问题，也解决了CV模型演化速度慢的问题。LGIF模型同时继承了基于局部信息的主动轮廓模型和基于全局信息的主动轮廓模型的优点。实验证明新模型能分割CV模型、CV_Improve(CVI)模型不能分割的灰度不均匀的图像，也能分割LBF模型不能分割的灰度不均匀的图像。LGIF模型对初始轮廓的大小和位置不敏感，具有较强的抗噪性。另外，分割实验还表明新模型演化速度快、耗时短、效率高、稳定性好。基于GeodesicActive Contour(GAC)模型和Li提出的距离规整化水平集方法(DistanceRegularized Level Set Evolution)，同时考虑了图像的边缘信息和区域信息，提出一种新的边缘与区域相结合的主动轮廓模型。新模型具有基于边缘和基于区域两类主动轮廓分割模型的优点，抗噪性能非常好，分割效率高。