医学图像分割是医学图像处理的一个关键技术，也是近几年来备受研究人员关注的热点问题。由于医学图像的复杂多样性，传统的图像分割技术往往不能得到令人满意的结果。形变模型凭借其独特的优势，在医学图像分割中受到了越来越广泛的研究和应用。　　 参数形变模型和几何形变模型是形变模型的两大类型。基于曲线演化理论和水平集方法的几何形变模型，由于可以自适应处理拓扑结构变化，因此更适合复杂的医学图像分割。但是，几何形变模型仍存在着一些缺陷，如何进一步完善其理论和方法，将该模型推广应用到医学图像领域，是本文准备探讨的主要内容。　　 针对几何形变模型的缺陷以及医学图像分割中的具体问题，本文提出了几种改进的方法，并在实际应用中取得了满意的效果。　　 本文的主要工作和创新点有：　　 (1)综合基于区域信息的Chan-Vese模型和基于边界信息的Li模型的各自优势，构造了一个基于区域和边缘信息相结合的能量模型，然后通过变分法和水平集方法推导出模型的偏微分方程。与传统的水平集分割方法相比，该模型既考虑了图像的全局特征，又兼顾到图像的局部特征，对处理强噪声和弱边界有较好的鲁棒性，且演化轮廓也很平滑；引入符号距离保持项，使得模型在演化过程中无需重新初始化，提高了分割速度。　　 (2)改善了形变模型的初始化问题。传统的形变模型对初始轮廓敏感，往往需要人工干预。结合传统的阈值分割和形态学处理，我们提出了一种自动设置初始轮廓的方法，方法简单且容易实现。　　 (3)针对实际的脑肿瘤MRI序列切片分割，设计出一种自动分割系统。通过对所有的MRI切片进行K均值聚类和灰度直方图分析，我们从中找出肿瘤特征最明显的一张切片，然后利用(1)和(2)的方法，设计出一种自动分割系统。实验结果表明，我们的方法分割准确，具有良好的可行性。　　 最后对全文工作进行了总结，并指出了有待进一步研究的方向。