进入大数据时代,人类产生了大量的图像数据,这些数据里蕴藏了一笔巨大的财富。为了有效地从海量图像数据中发掘信息,数字图像处理受到了各界的重视,近十几年来发展十分迅速。图像分割是数字图像处理中不可忽略的重要的一环,而边界提取是其中之一的重要分支。边界提取的算法有很多种,其中活动轮廓模型是一类基于微分方程的边界提取算法。因为这类算法具有分割结果为闭合曲线且实现相对简单的优点成为了当前研究的一个热点。本文对活动轮廓模型的基本理论及基本知识做出了总结,在基本的理论框架下介绍了几种经典的活动轮廓模型。通过对活动轮廓模型的梳理,发现活动轮廓模型还存在许多有待改进的问题,包括传统的活动轮廓模型计算代价过高、抗噪能力较弱分割难以对复杂图像进行有效的分割等。为提高传统活动轮廓模型的计算效率及分割复杂图像的能力,本文对活动基于活动轮廓模型的图像分割算法展开了研究。本文主要贡献如下:首先,针对梯度向量流活动轮廓模型中用扩散计算向量场所需计算量大、耗时长问题,提出一种新的计算方法——部分扩散部分插值。该方法先对图像部分像素点用扩散的方法计算GVF外力场,然后采用插值的方法计算剩余点的外力向量场。采用部分扩散部分插值的方法,能节省计算量和计算时间,而且在一定程度上能增强抗噪能力。其次,本文研究了显著度模型与活动轮廓模型,将两者有效地结合提出了一种基于显著度的活动轮廓模型算法。算法利用显著图产生的向量场及原图的梯度向量流向量场对一条闭合的曲线进行演化,使曲线可以表达目标的轮廓。实验证明本文算法明显提高了传统梯度向量流活动轮廓模型分割复杂图像能力。最后,传统的图像分割算法没有利用先验信息,单单利用图像本身的信息进行分割。本文提出了一种能够利用分布先验信息的非参数统计活动轮廓模型算法。利用分布先验信息能够有效提高分割效果及分割效率。为提高运算速度,本文还提出了一种加速计算的方法。实验结果表面,利用本文提出的算法对人工图片和自然图像进行分割均能取得不错的效果。对比实验表明,本文提出的算法与没有引入先验信息的传统非参数统计活动轮廓模型相比在准确性和计算效率方面均有明显的提高。