超声图像由于无害、无痛苦、实时低廉等优点而被广泛地应用于临床诊断。随着超声图像在医学领域的广泛应用,需要利用计算机算法对感兴趣区域或样本的解剖结构进行自动分割。超声图像本身的斑点噪声、模糊性、复杂性和多样性致使传统的图像分割算法在图像的弱边缘处容易边界泄露,以致分割结果不精确,很难提取超声图像的目标轮廓线。因此,本文工作对传统的活动轮廓算法进行改进,研究如何准确的提取超声图像的感兴趣区域的轮廓,并进行区域分割。论文的主要工作如下：1.提出了基于模糊C均值能量最小化的活动轮廓模型。该模型利用模糊C均值的隶属度值和待分割目标的局部像素信息来驱动传统活动轮廓模型的曲线演化。提出的模型利用快速算法直接计算模糊C均值能量最小化,而不是求解Euler-Largrange方程来使活动轮廓的能量模型极小化。快速算法解决了传统活动轮廓模型在图像凹陷处无法收敛的问题,能很好地分割像素不均匀、边界模糊,含有斑点噪声的超声图像。在实验中,提出算法与LBF算法模型和krinidis算法模型相比,提出算法的分割速度和分割性均有改善。2.提出了基于方差能量最小化的活动轮廓模型。该模型改进了传统活动轮廓模型,可实现自动化地提取目标区域轮廓。提出的方法克服传统模型手动选择种子点的初始化分割过程。同时,针对超声图像存在的斑点噪声大的特点,在图像统计性基础上充分利用目标区域和背景区域的不同高斯分布的方差和均值来控制模型的内外能量,对超声图像进行分割。主客观的实验结果比较表明,所提出的方法能够克服超声图像的斑点噪声影响,能够快速,准确的分割出医学超声图像的目标区域。