颅内出血（Intracranial Hemorrhage,ICH）是一种发生几率高并且十分严重的健康问题,对其的诊疗对于提高人类的平均寿命有着极为重要的意义。随着我国人口老龄化现象愈发严重,中风作为最常见的急性脑血管病,已经超越癌症,成为了我国第一大杀手性疾病,而颅内出血是引发中风的重要原因之一。疑似血肿区域体积估算是治疗患者的关键步骤,当病人出现严重的头痛或意识丧失等严重神经系统症状的时候,医生会检查患者的颅骨医学造影图像,来确认是否存在颅内出血现象。倘若存在,医生将寻找血肿存在的部位及其类型,并且预估血肿的体积。该过程很复杂并且通常很耗时。因此,高效率、自动化的颅内出血电子计算机断层扫描（Computed Tomography,CT）图像分割算法研究是辅助医生进行疑似血肿区域体积估算的重要基础,为治疗颅内出血患者提供了必要的数据支撑。虽然活动轮廓模型（Active Contour Model,ACM）凭借其无需样本进行训练并且能获得完整的封闭对象边界的优势,在图像分割领域中受到了广泛的应用,但是由于颅内出血CT图像本身往往存在着混杂征、黑洞征与李琦导征等影响分割结果的特征,因此,现有的ACM不能同时在各种特征的影响下取得很好的分割效果。本文首先将颅内出血CT图像的特征与分割难点概括为:灰度不均、低对比度和模糊边缘以及多目标与存在空洞。由于颅内的一部分疑似病变组织的灰度值与颅外的差异不显著,本文首先提取疑似血肿区域作为待分割的对象。为了克服上述分割难点,本文提出了一种基于勒让德多项式的自适应变指数活动轮廓疑似血肿区域分割方法。然而,当图像局部关联性较强的情况下,该方法对于初始轮廓的位置选取较为敏感。于是,我们进一步考虑采用基于深度学习的分割方法来解决上述问题。但是,由于缺少颅内出血的标注数据集,且数据样本量小,因此无法有效地训练出理想的基于神经网络的像素级语义分割模型进行分割。于是,我们考虑将ACM与CNN的优势相结合,扩展分割范围为全图,提出了一种融合ACM与CNN的血肿形态分割方法。实验结果证明,所提出的基于勒让德多项式的自适应变指数ACM能同时分割灰度不均、低对比度和模糊边缘以及多目标与存在空洞的疑似血肿区域CT图像,优于现有的ACM。此外,本文提出的融合ACM与CNN的血肿形态分割方法在上述方法的基础上消除了人为初始化干预,并且通过结合CNN在性能上得到了提升,具有良好的实用性与鲁棒性。本文研究的内容以及贡献可以总结为以下两个方面:（1）提出了一种基于勒让德多项式的自适应变指数活动轮廓疑似血肿区域分割方法。首先,本文对原始的颅内出血CT图像进行感兴趣区域（Region of Interest,ROI）的提取。这样既避免了颅外部分对血肿分割存在的干扰,又提升了ACM分割血肿形态的效率。所提出的方法使用一组勒让德基函数来拟合区域强度,使得能够分割灰度不均的血肿区域;其次,所提出的方法还将图像的梯度信息与区域信息相结合,设计变指数函数使能量泛函中保真项的指数可以自适应地进行变化,克服了存在的低对比度和模糊边缘、多目标与存在空洞的分割难点;最后,所提出的方法通过结合距离正则化项,避免了分割结果中出现伪轮廓。实验结果证明,所提出的方法既能够得到相对较高的分割精度,又能够仅仅花费相对较少的计算时间。（2）提出了一种融合ACM与CNN的血肿形态分割方法。首先,由于需要一定数量的数据样本才能训练出深度学习模型来输出粗分割结果,因此需要进行数据扩充。接着,所提出的方法利用CNN对待分割血肿形态进行学习,输出粗分割结果,即概率映射图。最后,所提出的方法将概率映射图通过转换作为ACM的初始轮廓,并通过概率映射图计算得出参数函数用来调整ACM的参数设置,进而端到端地输出最后的精确分割结果。实验结果证明,所提出的方法在颅内出血CT图像分割上具有优越性,其比前沿分割方法的分割精度更优,并避免了加入人为初始化干预。