图像分割技术是数字图像处理与分析领域中复杂而关键的技术,它的目的是从图像中提取出人们感兴趣的区域,并且将此区域用于后续图像的处理和分析中,故图像分割结果的好坏会直接影响到整个数字图像处理的好坏。而活动轮廓模型是近些年来图像分割领域研究比较热门的一种算法。本论文首先介绍了活动轮廓模型相关的变分法、梯度下降流、曲线演化理论和水平集方法等基本理论,通过理论分析了相关的活动轮廓模型的优点和缺陷,然后介绍了几个比较经典的活动轮廓模型,并通过实验结果分析说明了这几个模型的优点和缺陷,在此基础上,本文提出了两个改进模型,即基于增强图像信息的Chan-Vese模型和基于混合区域的活动轮廓模型。基于增强图像信息的Chan-Vese模型首先通过各项同性非抽取小波变换算法对待分割图像图像灰度均匀性和目标边界进行增强,再将原始图像和增强图像的信息一同用于构建模型的能量泛函,然后极小化该能量泛函,当能量泛函达到极小值时即可得到分割结果;基于混合区域的活动轮廓模型将增强图像的全局信息和原始图像的局部信息用于构建模型的能量泛函,同样当能量泛函达到极小值时得到分割结果。基于PC以及DSP的实验结果表明:基于增强图像信息的Chan-Vese模型有效的改善了传统Chan-Vese模型对图像灰度不均匀性敏感的问题;而基于混合区域的活动轮廓模型对图像灰度不均匀性以及初始轮廓位置不敏感,有效解决了其他基于图像全局和局部信息活动轮廓模型的权重系数问题,且分割精度有所提高。