医学图像分割是医学图像处理中一项非常重要的工作，是由医学图像处理到分析的关键步骤，是目标分离、特征提取和参数测量的基础和前提，使得更高层的医学图像诊断与理解成为了可能。相比于其他图像，医学图像具有对比度低，噪点较多的特点，而且不同组织器官或病灶之间的边界较为模糊，这些都给医学图像分割带来了很多困难，是一个研究难点，到目前为止，某一种分割方法或在分割精度、效率或者鲁棒性上存在一定的问题，因此，医学图像分割算法的研究是当前的一个研究热点。　　本文首先研究了基于活动轮廓模型的图像分割算法，通过仿真实验对参数和几何活动轮廓模型的原理做了深入的分析和研究。然后针对三维医学图像分割的特点，提出一种基于活动轮廓模型的初始轮廓预测分割模型，由序列图像中已完成的目标分割结果作为依据来预测下一幅断层图像的初始轮廓曲线，解决了活动轮廓模型的轮廓曲线初始化问题，此初始轮廓曲线已逼近目标边界，因此大大减少了轮廓曲线的演化迭代次数，实验证明，这种分割模型非常有效地提高了三维医学图像分割的速度。　　为了进一步提高图像分割算法的计算速度，本文将原来的串行图像分割算法并行化，并使用高性能计算集群系统和消息传递模型作为并行计算平台，设计了良好并行策略和负载平衡方法，充分挖掘了图像分割算法和集群系统的并行潜力，在保证图像分割质量的前提下，有效地减少了计算时间，并通过实验检验证明了并行医学图像分割算法在求解速度的快速性。　　该三维医学图像并行分割算法在活动轮廓模型的基础上，充分利用了三维医学图像的特点，提出了一系列改进并行图像分割方法，不但大大提高了分割速度，而且在分割精度上也有着良好的表现。