图象分割的目的是将原始图象划分为一系列有意义的区域或提取图象中感兴趣的区域(region of interest，ROI)。目前主要的分割算法划分为依赖边界的分割与依赖区域的分割，本文讨论的活动轮廓模型属于基于边界的分割。活动轮廓模型已成为图象分析的重要工具。目前常用的活动轮廓模型有参数模型和几何模型。本文研究活动轮廓模型在图象分割中的原理、方法及应用，其中重点研究几何活动轮廓模型在医学超声图象、弱边界区域与彩色图象分割中的应用，具体包含以下三个方面。1、针对医学超声图象的特点提出了一种改进的快速图象分割方法，该方法具有以下几个明显的优点：首先能够较好的权衡去噪与边界保持的关系，由于采用总变分方法去噪，其在去除噪声的同时还具有良好的边界保持特点，所以针对超声图象的复杂性，总变分能够较清晰的平滑源图象；其次具有较快的分割速度，本文针对水平集的计算复杂性采用一种快速的窄带水平集算法，使每次只计算零水平集窄带范围内的点，较原始方法极大的提高了曲线的演化速度；2、提出了一种基于Mean Shift聚类的图象弱边界区域分割方法，该方法具有如下优点：首先，能够较好的抵御噪声干扰；其次，对弱边界区域分割效果较好；最后结合水平集算法后能自由处理曲线的拓扑变化，能同时分割图象中的多个目标。3、提出一种基于彩色梯度的活动轮廓模型用于对彩色图象进行目标分割，该模型具有以下优点，首先分割的鲁棒性较好，由于颜色梯度更多的反映的是目标材质的变化，所以受图象中的阴影、高光等因素影响较小；然后，与水平集算法相结合后可以同时分割图象中的多个目标。最后总结了本文的研究内容和工作重点，并对本文中尚需改进的地方以及今后的研究方向提出了要求并进行了展望。