图像分割指把图像分成各具特性的区域并提取出感兴趣区域的技术和过程。图像分割是图像视觉分析和模式识别的基本前提,同时它也是一个经典难题,到目前为止没有一种适合于所有图像的通用的分割算法,因此,追求算法的通用性、高效性和准确性仍是很多研究者追求的目标,也是图像分割领域最具挑战的任务。水平集方法是求解几何曲线演化的一种新颖的方法,它用一种隐含的方式来表达闭合曲线或者闭合曲面,把对曲线的演化转换为求偏微分方程数值解的问题,可以自然地处理曲线拓扑结构的变化。论文主要工作有以下几个方面的内容:第一是:概述了传统图像分割方法及其不足,介绍了非参数算法的基本理论,总结了国内外图像分割领域的研究现状。第二是:对传统的种子点填充算法进行了分析,并针对其存在的问题进行了改进,改进后的算法能够直接处理RGB图像,不需在分割前作色彩空间的转换,并且可以交互的选择种子点,但此方法的分割结果很大程度上依赖于参数的选择,不利于实现自动化分割,因此本文着重研究了一种能自适应实现图像分割的非参数算法。第三是:重点研究了非参数算法的实现,非参数方法是在Level - Set算法的基础上,引入了信息理论的观点,把分割问题转换为最大化区域标签和图像象素值之间的互信息,不需要在分割前对目标区域作一个特殊的概率估计,也不需要做额外的特征提取和数据统计,能根据图像信息自动实现分割,不需要选择参数,是一种自适应的图像分割算法,提高了图像分割的效率,同时也增加了可以处理的图像种类。