当今,多媒体技术已经遍布人们生活的每一个角落,而图像作为多媒体技术中信息承载最多的载体,与它相关的处理技术一直被人们积极研究。其中,图像分割作为图像处理技术中最基础但最关键的步骤之一,为诸多的高层次图像处理算法提供了所需的加工数据。在众多的图像分割方法中,参数活动轮廓模型以亚像素级分割精度、计算复杂度低以及方便融合各类信息被广泛研究应用。针对传统参数活动轮廓模型极易穿透弱边界,同时长窄凹陷能力和抗噪能力较差等缺点,本文展开深入研究分析,主要工作内容如下:1)结合NBGVF与GGVF的思想,提出了INCGVF(Introducing new coefficients gradient vector flow)模型。该方法引入两个根据图像局部信息自适应变化的系数,分别加入原GVF中平滑能量项内以及平滑能量与边缘能量之间,使得曲线在自适应力下演化收敛,即在远离感兴趣目标时能更快的收敛,而在目标附近时则以不穿透弱边界为前提进行收敛。再给边缘能量中加入切线扩散分量,进一步提升弱边界的保护能力。最后使用分量归一处理以加强凹陷收敛的效率。实验结果显示,INCGVF模型的确具备了良好的弱边界保护能力以及一定的长窄凹陷收敛能力。2)从图像本身的结构信息入手,在GVF模型基础上引入定向平滑度以及无穷拉普拉斯,提出了ISCGVF(Image structure information and coefficients gradient vector flow)模型。同时针对INCGVF模型新系数需人为设置参数的缺点,引进一个新的可自适应变化的系数,大大减少了人为优化参数设置所需的工作量,新模型因而拥有更好的性能。最后同样使用分量归一处理而非传统的矢量归一,加强了对长窄凹陷的收敛能力以及效率。在人造图像实验下,验证了ISCGVF具有较大的捕获范围,良好的抗噪性、长窄凹陷收敛能力以及弱边界保护性能。最后在真实图像的定量分析下进一步验证了ISCGVF模型优于对比方法,具备更好的性能。