医学图像分割作为医学图像处理过程中重要的一个步骤,准确的分割结果可以为后续的图像分析及临床诊断和治疗等过程提供良好的基础。然而在成像过程中,图像经常受到噪声、灰度强度不均匀性、对比度低、伪影等干扰因素的影响,从而会降低模型对医学图像的分割准确度。因此图像分割依然是一项具有挑战性的任务。针对图像中存在的缺陷和模型本身的不足,本文分别基于聚类和水平集理论提出了相应的改进模型:在对聚类模型的研究中,主要针对图像中经常存在的噪声和灰度强度不均匀性等缺陷提出了一种改进的聚类模型。该模型首先通过在邻域内构建一种能够生成具有各向异性权重的加权方案用于消除噪声对图像产生的干扰,随后构建一种由真实图像和偏移场组成的乘法框架用于克服由灰度强度不均匀性而导致的同一组织内像素灰度值缓慢变化的问题。实验数据既采用了具有不同程度噪声和灰度强度不均匀性的合成医学图像,也使用了具有临床价值的真实医学图像,并同时通过和多种经典聚类模型进行对比实验,全方位、多角度地展示了所提出的改进聚类模型的分割准确度、鲁棒性和可行性。在对水平集模型研究中,主要针对低对比度图像和水平集模型的不足提出一种改进的水平集模型。首先,对于较为模糊的组织和结构的边缘处提出了一种对比度提高方法,该方法利用多重局部信息解析相邻组织的弱边界使得水平集函数能够准确识别目标区域。其次,本文融合了模糊聚类的隶属度函数作为水平集模型的空间约束,该方法在克服模型对初始化较为敏感问题的基础上能够根据不同组织的信息自适应地改变水平集函数的演化。最后,为了保证水平集函数在演化过程中的稳定性,本文将能量函数中的距离正则项所采用的单势函数改写为新的双势函数。实验数据亦采用了合成图像和真实图像并和经典的水平集模型作对比实验,无论是视觉上的分割结果还是客观上的定量评价指标,大量的分割结果都能够表明本文所提出的改进的水平集模型可以取得相对较高的分割准确度。