在图像处理和机器视觉领域内,图像分割一直都是一个非常基础和重要的问题,而且吸引了很多的注意。大部分的图像分割方法直接利用图像中的灰度信息,这就不可避免使得这些算法受到图像中噪声或者灰度分布的影响。而水平集方法引入了水平集函数。在该方法中,二维图像中的一条轮廓被隐式地表示成三维水平集函数的水平集。水平集函数形状的变化决定了二维图像中轮廓的变化。而且在水平集的整个框架可以被各种图像信息很容易的嵌入,从而实现对特定类图像的分割。　　在本主题中,我们给出了三种基于水平集的动态轮廓模型。一种是用于遥感图像变化监测的模型,也即是针对遥感图像差异图的水平集分割算法。第二种是采用核度量的模糊水平集算法,被用于图像分割。第三种是加入局部信息的核度量模糊动态轮廓模型,被用于存在灰度分布不均匀的医学图像分割。论文的研究内容包括下面的内容。　　1.我们提出了一种新的基于水平集方法的动态轮廓模型,并将其用于遥感图像变化检测当中。在该模型中,我们设计了一个新的局部能量项。在此能量项中,核函数的使用使得局部灰度信息的影响变得可控。全局能量项和局部能量项相互配合,共同驱动曲线轮廓的演化,更加精确的引导轮廓的演化。而正则项的嵌入则是用于保护水平集函数在演化中不会严重退化。此外,本文中采用了更加灵活的水平集函数初始化方式,从而有效克服了水平集方法陷入局部最优的问题。为验证算法有效性,我们采用了五幅遥感图像数据集做实验,并与其他主流的方法进行对比。实验结果显示了文中方法优于其他方法,并且速度快于其他的水平集方法。　　2.在模糊动态轮廓模型的基础上,提出了采用核度量的模糊动态轮廓方法。将构建能量函数的线性空间转化为非线性空间,欧式距离转化为非欧式距离。采用这种方法使得算法在分割被噪声、异常值污染的图像处理方面,提高了算法的鲁棒性和分割结果。算法的非线性化和模糊化,使得该模型在演化过程中不需要对水平集函数重新初始化。而且核度量的引入并未增加新的参数和算法的复杂度。我们将该模型应用到有噪声,奇异值以及低对比的图像分割上,并且与其他四种典型的轮廓模型进行对比。实验结果表明文中的轮廓模型在对抗噪声、分割结果和曲线演化规则性方面具有明显的优势。　　3.我们将一个新的局部能量项加入到第二个轮廓模型中,并将其应用到灰度分布不均图像的分割。在该模型中,四个区域原型被用来构建轮廓演化的驱动力量。实验表明模型中的轮廓能够很好的捕捉到目标的弱边界。然而用于削弱灰度分布不均影响的卷积不足以能够准确的引导轮廓。该模型需要进一步的改进。