图像分割是计算机视觉和图像处理领域内的重要研究内容。至今,已有多种分割算法,而活动轮廓模型是一个比较著名的方法,并且在众多研究中也得到了非常广泛的应用。其基本思想是在服从一定约束条件下在给定图像中演化一条封闭曲线以检测图像中的目标。本文主要是对活动轮廓模型的分割方法进行研究。文中介绍了几种比较著名的活动轮廓模型,并通过实验结果对模型的优缺点作出了简要的分析。分析发现使用图像全局信息的活动轮廓模型虽然对初始轮廓位置不敏感,但不能准确的分割出灰度不均匀图像,而使用图像局部信息的活动轮廓模型虽然能够有效的处理灰度不均匀图像,但又存在初始轮廓位置敏感问题。为了能够更加有效的对图像实现分割,本文提出了一种结合图像差分与局部信息的活动轮廓模型,其中图像的差分信息为滤波后的图像减去原始图像。并且在数值实现时采用了时间分步法,同时避免了传统更新迭代中需要重新初始化的过程,从而使本文模型在数值实现上更加简单。此外,在该模型的基础上,本文提出了一种结合图像背景估计信息的活动轮廓模型,背景估计信息为背景图像减去原始图像,而背景图像为在原始图像上进行形态学开运算的结果。提出模型的能量泛函中数据项由图像的背景估计信息和局部信息组成,其中使用图像的局部信息能保持对灰度不均匀图像分割的准确性,同时由于背景估计信息的引入,算法有效的克服了对初始位置敏感的问题。并且背景估计信息本身能够很好描述灰度不均匀图像,从而使本文模型避免了现有的混合模型中局部项与全局项之间比例参数的权重问题,增加了算法对不同特征图像的适应性。实验结果表明,对比于其它模型,本文方法能够快速准确的分割出图像中的目标,并且对初始轮廓位置不敏感。