随着成像技术的不断提高，医学图像在诊断中的作用越来越大。医学图像的处理也自然而然地成为当下的一个热点，分割更是其中的关键一环，它关系到诊断，配准，重构等诸多方面的效果。由于医学成像原理的复杂性与特殊性，传统的分割技术不再适用于灰度不均匀的医学图像，人们开始研究适用于这类图像的分割方式。对于现代医学图像，除了准确性和稳定性，智能化也成为目前医学图像分割中的重要因素。基于此，本文主要研究适应现代医学图像特点的分割方法，主要工作如下：1.从医学图像的特殊性出发，总结了一些常见的和较为实用的分割方法，主要包括一些传统且经典的算法和近些年来被人们改进较多的较实用的算法。前者虽简单适用性不强，但其思想是一直被学者们借鉴，后者虽不能处理医学图像，但近些年的很多研究都是在它们的基础上的创新或融合。2.介绍了水平集的C-V模型，针对其无法处理MR图像的缺陷作了一系列改进：在原有模型上引入偏移场，并用N个径向基函数拟合该场，将像素点看作是偏移场和真实值的乘积。基于上面的思想，我们提出了基于灰度不均匀场的模型，该模型在最小化能量函数的过程中增加了求解偏场系数的步骤。它汲取了模型简单，收敛快的优点，更重要的是能够适用于图像的分割。3.详细研究了一种基于局部区域的灰度不均匀场水平集分割算法。我们详细分析了图像中的局部区域的特性，并在第三章算法的基础上引入局部区域，充分利用这些特性。同时抛弃拟合偏移场的方式而改用直接估计的方式，这样就使得对偏场的估计和矫正更加准确，进而使得分割更准确，但是它的迭代速度并没有第三章算法的快。4.介绍了传统MRF的原理和实现过程，但其不能处理MR图像。因此，我们结合了第四章的水平集模型，使得新的MRF模型不仅能够利用空间统计信息还能够更充分地利用灰度信息，这就大大提高了算法的准确性与适用范围，同时由于计算负担的加重，我们采用减少主要计算负担部分的迭代次数的方式来使计算量增加的并不明显。