图像分割是数字图像处理和计算机视觉领域当中极其重要的一项研究内容,它是将图像分成若干个特定的、具有独特性质的区域,并提取出感兴趣目标的过程,它广泛应用于医疗、遥感、交通等领域,给人们的生产和生活带来极大的便利。但由于图像的复杂性,且图像的种类繁多,到目前为止,还没有一种通用的图像分割方法。当今,对于图像分割的问题,众多学者提出了不同的方法,其中,活动轮廓模型以其具有灵活的拓扑变换和较强的数学理论支撑,成为目前研究领域较为热门的一项研究课题。本文主要研究的是基于区域活动轮廓模型的图像分割方法,它是建立在曲线演化理论和水平集方法之上的一种图像分割方法。针对该模型对初始轮廓敏感,且在分割弱边缘图像和灰度不均匀图像方面,存在边界泄露或误分割等问题,从而造成轮廓曲线不能很好的演化到目标边界。本文对区域活动轮廓模型方法进行了研究、改进和实现,主要工作如下:(1)为解决活动轮廓模型在分割灰度不均匀图像方面存在对初始轮廓位置敏感、初始轮廓选取繁琐且迭代次数多等问题,提出了一种基于局部熵拟合能量和全局信息的活动轮廓模型。首先,选取灰度图像的中心作为水平集初始轮廓的中心点,通过改变半径的大小以确定初始轮廓的位置。其次,使用局部熵项增强图像边缘处响应并将它与区域尺度拟合(Region-Scalable Fitting,RSF)模型共同作为局部能量项,并加入了图像的全局信息,避免其陷入局部极小值。最后,重新定义正则项以提高分割效率。将其应用到灰度不均匀的合成图像及真实的医疗图像当中。实验结果表明,提出的方法能够较好的分割灰度不均匀图像。(2)针对活动轮廓模型在分割弱边缘图像及严重的灰度不均匀图像方面存在轮廓曲线不能很好的演化到目标边界等问题,提出了一种基于局部增强与区域拟合的活动轮廓模型。首先,利用局部区域增强方法将原始图像转换为新图像,以增强图像的对比度。其次,利用统计信息计算图像的区域拟合能量。然后,加入正则项以避免演化轮廓重新初始化,提高图像分割效率。最后,通过对灰度不均匀的合成图像和真实图像进行实验,验证了该算法有效性。