计算机视觉和机器智能的一个主要目标就是对形状进行灵活有效的描述。一个表示形状结构的重要方法,就是对物体的骨架化。骨架化是包含物体拓扑结构特征的压缩表示,它在形状匹配和检索、特征提取和变形、医学图像辅助分析上具有重要的应用价值。医学脑血管图像本身的模糊性和复杂性使得常规的骨架算法得到的骨架不连续,在弱边缘处敏感,鲁棒性差,毛刺过多。本文的研究目标是对医学脑血管图像中的目标区域进行精确而快速的骨架提取,用以提高医学图像三维可视化、目标区域识别的精度,更好地辅助医学研究和临床诊断。本文首先概述了医学图像的基础知识,以及骨架提取领域中目前已经成熟的和正在探索中的主流方法和技术的基本原理,归纳了它们各自的适用范围以及优缺点,然后详细地分析了水平集方法的原理,总结了多种水平集模型的特点。在此基础上,结合灰度脑血管图像和彩色脑血管图像的特性分别针对这两种图像提出了行之有效的骨架提取算法。在灰度脑血管图像的骨架提取算法中,本文使用欧氏距离域和变形的梯度向量流得到了两个不同的能量函数。第一个能量函数控制得到骨架曲线开始的拓扑节点,第二个能量函数控制提取骨架。该算法避免了引导骨架提取的骨架连接点的定位和分类,由于它的全部参数通过分析推导获取,因此无需人工干涉。在彩色脑血管图像的骨架提取算法中,本文采用贴近人对图像的色彩理解的HSV色彩空间,提出了改进的基于颜色梯度信息的彩色水平集速度函数。结合区域颜色统计特征,引入了贝叶斯分类模型。然后,把此模型运用到彩色脑血管图像的骨架提取中,并从定性定量两个角度分析算法的优劣性。最后,对毕业课题所做工作进行了概括,提出了进一步的研究设想。