医学图像分析是图像处理的一个重要领域。形变模型凭借其独特的优势,在图像分割领域得到了越来越广泛地研究和应用。本文的工作围绕着形变模型技术在医学图像分割中的应用而展开,在梳理已有知识的基础上,根据医学图像的特点,提出了带多指标柔性能量的Mumford-Shah模型。本文主要做了以下工作:首先,介绍了参数活动轮廓模型。目前,活动轮廓模型已经成为医学图像分析的重要工具。但传统的参数模型在分割图像时强烈地依赖于轮廓的初始位置,捕捉范围小,不仅因进入凹陷区域困难,而常陷于能量局部极值,且不支持拓扑改变;另外在外力很小时,轮廓会收缩到一点,而边界很弱时,轮廓又会渗透过边界;此外,模型参数的确定也没有理论指导。其次,对几何形变模型,本文也作了简明却不失系统性的归纳和总结。针对Snake模型较难处理拓扑结构改变的问题,水平集模型应运而生。近十年来,该方法的出现推动了非参数化的几何活动轮廓模型的研究。几何模型的显著特点就是可以方便地处理拓扑结构变化问题。但是,传统的水平集模型在定义速度时,往往仅使用了图像的边缘信息,这样必然导致在分割具有强噪声或具有弱边界的图像目标时,不能得到真实边界,常因初始轮廓线超出区域边界,而导致分割失败。最后,基于Mumford-Shah模型的水平集图像分割方法是一种重要的基于形变模型的图像分割方法。它依赖的特征是图像同质区域的全局信息,所以对于一般的图像,它具有分割快速、准确地优点。基于Mumford-Shah模型可以同时实现图像分割和恢复。分割基于一组不断平滑的重建图像,可使分割简单化。但是,其迭代过程要对所有图像数据反复进行计算,因而其时间效率很低,难以实时应用。针对Chan和Vese提出的基于Mumford-Shah泛函的水平集图像分割算法,本文做了两方面的改进:首先,构造了具有柔性的演化曲线内外能量取代C-V模型中的刚性能量,减少了C-V模型求解时的数值不稳定和过度分割等现象;其次,综合图像的多方面特征,提出多指标集能量项构造方法,提升了C-V模型的分割能力和精度。综合两方面的工作,提出带多指标柔性能量的C-V模型。新模型能有效处理图像受严重噪音污染、目标内部有灰度起伏等情况。对人工合成图像、医学图像和真实世界图像的分割实验均表明了新模型的良好性能,并且算法收敛速度快,数值稳定。