图像分割就是提取图像中的感兴趣区域，该技术是如今的一个热门研究方向，因为图像分割结果的准确性直接影响到后续图像分析和理解的结果。而图像分割也是一个具有挑战性的问题，到目前为止也没有通用的图像分割方法。目前的图像分割方法大概有以下几种：阈值分割方法，边缘检测分割方法，神经网络分割方法，形变模型分割方法等等。形变模型分割方法在近几年来得到广泛的应用，其主要包括参数活动轮廓模型和几何轮廓模型。Snake模型是经典的参数活动轮廓模型，定义能量方程并通过能量最小化思想来达到图像分割的目的。但参数活动轮廓模型的边界由参数提供，尽管很多问题能适用，但有时分割结果会产生尖刺或交叉边界。而几何活动轮廓模型是基于偏微分方程表示表面，从而可以克服这一问题。　　几何活动轮廓模型与参数活动轮廓模型主要不同在于，它的曲线只用几何公式表达，与参数无关，过程是隐式的。因此曲线或者表面可以用高维函数的水平集表示，可以对拓扑变化作无缝处理。因此不用边界跟踪也能检测出未知的多个物体。而但几何活动轮廓模型也有它的缺陷，当用于处理轮廓有缝隙的噪声数据时，可能会产生与真正物体的形状存在拓扑不一致性的轮廓。　　几何活动轮廓模型主要分为基于边缘检测的分割模型和基于区域的分割模型。基于边缘检测的分割模型主要是根据图像的梯度来进行边缘检测。但图像的梯度会受到亮度和对比度等因素的影响，所以分割结果并不稳定。而基于区域属性的分割则能弥补仅仅依靠梯度的不足。Chan-Vese（C-V）活动轮廓模型是比较成功的基于区域的几何活动轮廓模型，该模型的提出意义深远。C-V模型主要优势在于在利用可靠地图像底层特征同时又受到图像高层知识的影响。缺点在于对含有异质区域或复杂背景的图像分割结果不太理想。　　本文主要对活动轮廓模型进行了概述，深入研究了几何活动轮廓模型的理论模型和发展现状。重点介绍了Chan-Vese模型并分析其优缺点。并针对其不足提出了一种基于高斯拉普拉斯算子的改进型C-V模型。并通过实验分析和对比该模型的有效性。最后把该模型实际应用到超声乳腺肿瘤分割中，通过肿瘤分割的结果进行肿瘤的特征提取，对比不同分割模型的实验结果，再一步验证新模型的准确性和有效性。并提出一种肿瘤CPD值自动计算的方法。