图像分割问题是医学图像处理领域的一个重要问题，它是医学图像三维重建、仿真和理解的前提。变分水平集方法相对经典分割算法有更严密的数学基础，它成为医学图像分割新兴手段，已成为近年来的一个研究热点。　　医学图像分割相对其它图像分割问题有着其本身的特点：解剖结构的个体差异，成像技术导致的容积效应和噪声。如何针对分割目标，充分利用包含的信息来指导分割就显得十分重要。变分水平集的基本理论涉及泛函、变分法、欧拉一拉格朗日算法、梯度下降法、水平集方法及离散化实现。变分水平集方法这类基于形变模型的分割算法的实质就是进行无约束优化求解分割边界。　　变分水平集方法包括基于区域的分割算法和基于边界的分割算法。本文主要介绍了基于区域的分割算法，Chan-Vese模型，它是Mumford-Shah模型的简化模型。最后，使用Chan-Vese模型对医学图像数据进行分割实验。实验结果仍然出现粘连和过分割现象。对此，本文提出引入解剖结构信息以提高Chan-Vese模型的分割精度，实验表明，这种改进算法具有一定的适用性。