图像分割一直是图像处理领域存在的一类经典问题，在众多图像分割算法中，基于PDE的活动轮廓图像分割方法结合多方面的知识，以其强大的生命力和创造力吸引了诸多学者的目光，已然成为当下的研究热点和最流行的图像分割算法之一。其基本思想是：依照图像提供的信息构建能量泛函，经由变分和水平集等数学方法将其最小化，从而获得驱动水平集函数演化的 PDE。已知水平集函数在演化时将带动嵌在其中的活动轮廓同时向目标边界移动，则上述PDE的数值解同时也是使用者期待得到的分割结果。此类方法发展至今，已累计千百种各具特色的模型，其中使用最频繁，发展最成熟的模型包括GAC模型、CV模型和RSF模型，之后的模型大多由此三种改进演变而来。　　本文在分析了上述经典模型的工作原理后，分别进行了仿真实验，并针对经典模型中存在的不足，结合最新发表的研究成果提出了一个新模型和一些改进，主要包括：　　（1）基于CV模型的构建原理，经过对图像局部纹理结构的深入分析，本文提出一种基于图像局部结构复杂度的特征描述方法，并进一步构造基于图像局部结构复杂度的自然图像分割模型。该特征描述法将复杂的自然图像转换为简单的两相图，进而可以通过该模型正确高效地得到期待的分割结果。通过多个模型间的仿真对比实验不难发现，本文提出的模型能够准确快速地从复杂的背景中提取纹理目标，并同时很好地保持目标的整体性。　　（2）本文对用于解决轮廓初始化问题的水平集演化模型进行了仿真分析，并针对该模型的不足提出了一些改进方法：为了提升模型对噪声的鲁棒性和迭代计算速度，引入双边滤波；在模型中增加判决力，重新设计水平集演化方程，使其可应用于拥有复杂构成部分的自然图像分割。实验表明，本章提出的改进模型在提升了分割精确度和准确性的同时，大大降低了收敛次数，充分扩展了原模型的应用领域。