图像分割作为一项基础的数字图像处理技术,广泛应用于生产生活的各个领域。针对传统活动轮廓模型中初始轮廓线选择,噪声污染,复杂的纹理边界和图像灰度不均匀的问题进行了研究,充分利用多种统计信息,将混合活动模型和多相水平集结合起来,提出了改进的拉普拉斯自适应多相分割模型和基于局部和全局拟合的自适应多相分割模型。在改进的拉普拉斯自适应多相分割模型中,利用梯度倒数加权平滑和中值滤波结合对图像预处理,引入结构张量自动定义初始轮廓线。在全局项中,加入了改进的零交叉拉普拉斯拟合能量,提高对弱边界的定位能力,提出一种基于图像区域信息的自适应分割项,提升了对灰度不均匀图像区域的分割效果。在局部拟合项中,运用以局部灰度均值和方差为变量的高斯核函数进行分割。引入一个加权系数方程平衡局部项和全局项的权重进行计算。实验表明,改进的拉普拉斯自适应多相分割模型抗噪能力强,适用于分割灰度不均匀的图像。在基于局部和全局的自适应多相分割模型中,提出了多尺度信息增强和各向异性张量扩散滤波结合的方法去噪和保留纹理细节,并利用结合二维最大熵和改进遗传算法获得初始轮廓线。在全局项中,用多种局部特征变量重构拉普拉斯拟合能量函数,提出了一个分割深度可控的区域分割模型和深度系数,更好地分割拓扑结构复杂的目标。在局部项中,采用LGDF模型处理灰度不均匀区域。模型使用指数函数作为停止速度函数,并加入鲁棒性的曲线演化停止条件,提升了分割效率。实验表明基于局部和全局的鲁棒性多相分割模型分割速度快,对内部结构和纹理特征较为复杂的图像有较好的分割效果。