高原鼠兔是青藏高原高寒草甸、高寒草原地区的特有物种和关键物种,也是青藏高原草原生态的主要自然灾害之一。为预防当地鼠害发生,需科学有效地防治鼠害,控制高原鼠兔数量大发生,就需研究高原鼠兔的生活习性并调查当地的鼠害状况。随着图像采集、数字图像处理等技术的快速发展,可通过基于机器视觉的智能监控系统获取高原鼠兔的行为特征信息及种群密度信息,从而为鼠害的防治及草地的生态保护提供客观的理论依据。高原鼠兔图像分割及高原鼠兔目标检测是智能监控设备中的关键技术,可为高原鼠兔行为分析等后续工作奠定基础。而高原鼠兔图像背景复杂,目标与背景对比度低、目标毛色具有灰度不均性、突变性及多样性,以上因素导致高原鼠兔图像分割工作变得十分困难。本文以基于水平集的Chan-Vese模型作为基础模型,根据高原鼠兔图像目标包含多色彩及图像背景复杂的特点对Chan-Vese模型改进,实现高原鼠兔图像精确分割。针对Chan-Vese模型内部拟合值无法完整表达目标区域信息的问题,提出利用K-means聚类对图像初始演化曲线内部像素处理,用聚类中心点值与均值滤波后的图像灰度信息线性组合,代替Chan-Vese模型内部拟合值,可提高模型对目标包含多色彩图像的适应能力,从而获取完整的目标区域信息。此外,用矩形Dirac函数代替Chan-Vese模型中的正则化Dirac函数,使计算限定在零水平集附近,在避免复杂背景对分割结果影响的同时,降低图像分割计算量。实验结果表明:本文所提出的改进Chan-Vese模型可有效抑制背景干扰,获取精确的高原鼠兔轮廓,且耗时少。在改进Chan-Vese模型基础上,针对高原鼠兔运动特点,提出一种基于时空域联合信息的高原鼠兔目标检测方法。在时域上,通过当前帧减背景帧获取运动目标位置,为空域分割提供初始轮廓及粗分割图像;在空域上,采用本文提出的改进Chan-Vese模型对粗分割图像精确分割,获得目标轮廓。实验结果表明:本文时域处理方法不受目标运动特点影响,可准确定位鼠兔位置;空域处理方法可快速准确地提取高原鼠兔轮廓,且避免了Chan-Vese模型需交互式设置初始轮廓信息的问题。该方法可对短时高原鼠兔视频连续精确地分割。