图像分割是图像处理领域和计算机视觉领域的一项关键技术。其中，基于活动轮廓模型的分割方法因其对医学图像等复杂图像的有效处理，近年来发展较快，在医疗、军事、工业等领域都取得了显著成果。
　　本文主要针对图像分割方法进行研究，并重点探讨基于活动轮廓模型的分割方法。本文首先综述了基于边缘和基于区域的两大类分割方法，并归纳总结其优缺点。然后，研究基于活动轮廓模型的分割方法，综合比较了几种典型的活动轮廓模型。最后分别对局部二值拟合模型和局部高斯分布拟合能量模型进行改进并仿真。具体工作如下：
　　1.针对局部二值拟合模型仅利用局部区域的图像信息容易陷入局部极值导致演化失败的问题，提出一种改进的算法，该算法引入基于边缘信息的距离正则化水平集演化模型，充分利用两种类型模型各自的优势，实现了将轮廓曲线快速收敛到目标附近继而实施精细分割的目的。仿真实验表明，本文方法在保证精确度的同时能够提升原模型的分割速度，而且降低了对初始轮廓的敏感程度，相较于原来两种模型性能均有提升。
　　2.针对局部高斯分布拟合能量模型需要人工选定初始轮廓，并且对初始轮廓的位置敏感，演化速度慢的问题，本文提出使用聚类方法和改进核函数提升该模型性能。该方法可在无监督条件下高效获取理想的初始轮廓，并代入水平集框架，使用改进核函数后的模型进行迭代演化。此外，针对原模型需手动结束分割，迭代次数等参数需要多次实验设置的问题，提出设置分割自动终止准则的方法，当轮廓曲线演化到指定目标边界时，适时自动停止分割。仿真实验证明，所提改进方案能够加快轮廓曲线的收敛速度，降低计算量，同时避免了手工标注轮廓不合理陷入局部最小值，导致分割偏差、失败的情况。