图像分割主要是指将感兴趣区从背景中分割出来，或将不同的感兴趣区互不交迭地区分开来。图像分割是实现从一般图像处理到图像分析的关键步骤。它是其他医学图像处理与模式识别问题，如特征向量化、特征配准、三维重建等的前处理技术，并可以为临床诊断和辅助治疗提供有力的支持。因此对感兴趣区的分割研究具有重要价值，多年来一直受到人们的高度重视。目前，活动轮廓模型已经成为医学图像分析的重要工具，它将基于图像数据的约束和对感兴趣目标的先验知识统一于变分框架之下，其应用包括图像去噪、图像分割、图像配准、图像修复、表面重建、运动跟踪等方面。本文首先对医学图像分割的方法作了详尽的综述。这部分主要介绍了常用的医学图像分割方法。第三章介绍了参数活动轮廓模型的理论基础，以及活动轮廓的评价，特别对梯度矢量流模型的数学表述作了详细的介绍。第四章是本文的重点内容。首先给出了活动轮廓模型的算法实现，分析了传统ACM模型分割图像时存在的问题。传统ACM模型在分割图像时，要求初始轮廓线设置在感兴趣区域的边界附近；曲线在变形过程中难以分割深度凹陷区域。本文在分析活动轮廓模型的基础上，提出了基于复合矢量场的改进ACM模型分割算法。它采用广义模糊理论对图像进行处理，从而获得一个较理想的边缘映射图，避免了图像的弱边缘以及尖角部分在平滑过程中的模糊化。在此基础上，本文构建了一个复合矢量场代替了模型中原有的力场，同时将GVF场的约束权值设为随目标特征自适应变化。大量的实验结果验证了该算法的有效性。本文的最后部分讨论了医学图像分割中常遇到的分割结果定量评价问题以及图像分割中的交互机制。首先介绍了在客观评价图像分割结果中遇到的一些问题，总结了对这些问题的解决方法，这对我们进一步开展那这方面的研究是大有裨益。在医学图像分析的很多应用中，用户的干预成为获得准确分割结果的必要条件，本文总结了医学图像分割中人机交互的表现形式，为我们设计高效的分割算法有重要的指导意义。