图像分割技术在医学图像处理中起着重要的作用，准确的分割结果可以让医生了解病灶的大小、几何形状以及与周围组织的空间关系，在临床医疗诊断、术前计划制定、医疗方案设计等方面有效的辅助医生。Chan-Vese模型是经典的基于轮廓的全局优化分割算法，一直以来都是广大学者研究的热点。它的核心是能量曲线在最小化过程中向着目标边界演化，其停止函数仅由图像灰度值信息决定。C-V模型具有轮廓曲线拓扑结构变化的自适应能力，能够自动检测目标轮廓、初始轮廓可灵活选取。但是，当分割目标的边界内外灰度值变化比较缓和时，由于过于依赖灰度值信息，C-V模型容易出现不完全分割问题。本文对C-V模型原理进行分析，得到其不能完全分割图像的原因是演化速度主要受轮廓线内外灰度值差影响，所以在灰度值变化缓和的一类边缘处过早停止演化。在此基础上提出结合阈值分割方法的C-V模型，阈值分割能排除大部分背景区域，减少C-V模型分割时需要计算的像素点数，从而获得更快的分割速度；并且阈值分割后图像的灰度值范围缩小，对其进行灰度值尺度变换后，拉伸灰度值区间，改善了C-V模型演化能力，使其能够到达图像真正的边缘。在对水平集算法的进一步研究下，提出了结合模糊C均值聚类方法的水平集算法，契合图像模糊特征的模糊C均值聚类方法对图像预处理能有效缩小水平集演化区域。模糊方法分割得到的初始化水平集已基本靠近目标区域边缘，再用梯度矢量流改进水平集演化能力，使改进算法对窄细结构边缘的分割能力提升。最后分析两种改进算法特征，初步提出通过判断待分割图像的特征并利用样本匹配找到合适的分割算法的选择策略。并且利用Matlab对改进算法进行仿真，对比分割结果表明：基于阈值的C-V模型分割时间大幅度减少，并能够在灰度值变化缓慢的边缘持续演化，解决了不完全分割的问题；结合模糊C均值聚类的水平集方法解决了水平集方法需不断初始化水平集函数的缺陷，获得更准确的边缘追踪效果。