图像分割是图像处理和分析的重要组成部分,其目的是将图像中感兴趣的目标提取出来,使其尽可能地接近真实的结构,从而为后续的图像分析提供可靠的依据。由于医学图像组织结构复杂,形状的不规则性,灰度差异小等特点,使用传统的分割方法往往难以达到理想的分割效果。本文主要研究基于主动轮廓模型的医学图像分割,该模型适用于图像处理、计算机视觉等众多领域。本文首先对现有的图像分割方法进行了比较全面的综述,并分析其优缺点,介绍了主动轮廓模型和水平集方法。由于传统的Chan-Vese模型存在计算量大、分割速度慢的问题,根据医学图像自身特点,本文提出了一种基于水平集改进的分割算法。在图像全局信息的基础上,引入局部信息,减少了曲线演化过程中迭代次数,提高了分割速度。将二维图像分割扩展到对医学图像序列的半自动分割,利用相邻图像之间的相似性,将当前的分割结果作为下一幅图像的初始轮廓,降低了人工选取初始轮廓曲线的随机性,提高了分割效率。在MATLAB平台上实现了相关算法,实验结果验证了改进算法的可靠性和准确性,本文提出的方法能够快速、准确地提取目标物体,是一种较为理想的医学图像分割方法。