作为数字图像处理的一项重要的预处理步骤,图像分割的准确性会影响到图像后续的目标识别和特征分析。鉴于图像分割的重要性,研究人员提出了针对图像目标的分割算法。在这些分割算法中,主动轮廓模型以其成熟的变分理论和优秀的分割表现,成为近些年来学者们研究的热门。然而在数字图像中,常存在成像设备、光照条件以及复杂背景信息引起的灰度不均（又称偏场）。传统的图像分割方法在分割灰度不均图像时极易受到偏场的干扰,这种干扰会影响到对图像中目标的精确分割。针对上述问题,本文提出了一种新的预拟合偏场主动轮廓模型的图像分割方法。与过往提出的偏场主动轮廓模型不同,本文在图像的偏场信息和梯度信息的基础上构建能量泛函,能够做到对目标物体快速精准的分割。本文的主要创新点包括以下几个方面:（1）优化偏场计算的方法。分析图像乘性模型中对偏场的假设,采用局部灰度均值算法来近似拟合图像的偏场。局部灰度均值算法计算复杂度低,能够在耗费较少CPU时间的情况下近似拟合图像的偏场。实验结果表明,该方法不仅能有效校正图像的偏场,还能获得精确的图像分割结果。（2）基于预拟合偏场构建能量函数。利用计算好的预拟合偏场构建主动轮廓模型能量项。由于偏场的计算在轮廓线演化前完成,因此不需要在迭代过程中更新偏场,曲线演化的速度得到显著提升。（3）在基于预拟合偏场构建的能量函数的基础上,嵌入新的边缘指示函数。改进后的能量函数让演化曲线在远离目标物体边界时加快演化速率,靠近目标边缘时减缓演化速率,提升了模型的分割准确性。（4）优化梯度下降流方程和规则化水平集函数的方法。通过优化梯度下降方程,既调节了数据驱动项的幅度,又平滑了数据驱动项的函数曲线,保证了轮廓线演化的稳定性。此外,提出的新的规则项能够在水平集函数迭代过程中维持符号距离特性,纠正错误的演化趋势,进一步确保模型在分割效率和精度上的优势。根据以上创新点建立的模型能够高效准确地分割灰度不均图像中的目标,在不同种类测试图像上的分割结果表明本文模型不仅能克服偏场的干扰,同时还有着良好的抗噪声能力和初始轮廓鲁棒性。