主动轮廓广泛应用于图像处理和计算机视觉领域。梯度矢量流(Gradient Vector Flow,简称GVF)主动轮廓因改善了传统主动轮廓初始化的敏感性以及较差的凹陷收敛性能而备受关注。其广义(Generalized GVF,简称GGVF)主动轮廓旨在提高GVF主动轮廓检测长窄凹陷(Long and Thin Indentation,简称LTI)的性能。然而,GVF和GGVF主动轮廓在LTI收敛,边界保护,计算成本,以及噪声、参数和初始化鲁棒性等典型问题上的不足,阻碍其进一步的应用。为解决这些问题,本论文提出以下两个外部力模型以及一个外部力场参数估计方法：提出基于分量归一化的GGVF (Component-Normalized GGVF,简称CN-GGVF)外部力来改善主动轮廓的LTI收敛性能。首先发现并显示GGVF主动轮廓仅有有限的LTI收敛性能。随后全面研究LTI内GGVF外部力的特性,由此识别并确认GGVF主动轮廓在捕获LTI的过程中遭遇的噪声和湮没问题,进而给出抑制噪声问题的方法,并提出解决湮没问题的CN-GGVF外部力。CN-GGVF外部力通过单独归一化每个初始GGVF矢量的各分量得到。实验证实与GGVF主动轮廓相比,CN-GGVF主动轮廓可以以更快的速度收敛于不管是奇数还是偶数个像素宽的LTI,在矢量归一化过程中消耗较少的计算量,而且在真实摄影图像上取得更好的分割性能,同时保留GGVF主动轮廓的多个优良特性。提出自适应的各向异性的GGVF (Adaptive Anisotropic GGVF,简称AAG-GVF)外部力来解决现有主动轮廓在LTI收敛,噪声鲁棒性以及边界保护等典型问题上的不足。AAGGVF外部力可根据图像局部特征自适应调节外部力迭代方程中发散项与数据项的权重系数,并同时自适应调节沿等照度线切线和法线方向发散的权重系数。实验证实与现有先进主动轮廓相比,AAGGVF主动轮廓同时具有大的捕获范围,良好的噪声鲁棒性,最高的发散效率,以及噪声环境下最强的边界保护性能和卓越的LTI捕获性能。深入研究感兴趣目标捕获范围与GGVF场参数的关系并由此提出外部力场的参数估计方法。提出并证实单个矢量捕获范围的形状和大小分别由2-D Laplacian算子的离散估计和GGVF场迭代次数决定。据此分析并确认无噪声环境下目标边界捕获范围的大小由迭代次数唯一确定,并给出力场的参数估计方法。在噪声环境下,按矢量的强度和数量将感兴趣目标与噪声划分为四种情况分别讨论感兴趣目标捕获范围与外部力场参数的关系,进而分两种情况分别给出力场的参数估计方法。一系列在合成和真实图像上的图像分割实验以及目标跟踪实验验证了本文提出的捕获范围分析和参数估计方法的有效性、高效性和普适性。