可以说如果没有好的医学图像分割方法，那么我们就将无法利用计算机来对医学图像进行自动的分析处理。因此医学图像分割技术才会得到广泛的重视和研究，成为医学影像学研究领域的热点问题之一。本文针对医学图像分割中关键技术进行深入的研究，其中包括在模型中更多的考虑图像中局部信息、图像中的弱边界现象以及对医学图像进行区域划分等，同时我们在医学图像分割中获得更多有效信息和减少模型的计算时间。本文针对这些问题进行了研究，提出了两个新模型：M-F模型是针对医学图像含有弱边界和灰度不均匀现象时，图像分割模型中所存在的问题以及多通道的活动轮廓模型需要做降噪预处理等问题，使用局部熵增强对弱边界和灰度不均匀图像的处理能力，而提出M-F模型。M-L模型是一种以LCV模型为基础而提出的模型。该模型中采用了新的边界函数来控制水平集函数在弱边界区域上的演化速度，采用新的惩罚函数消除水平集函数周期性的波动现象和引入区域限制函数实现对多层图像分割。最后利用Matlab对本文所提出的算法进行仿真实验，实验所获得的图像视觉效果以及分割数据与传统的分割算法进行比较分析。本文模型算法进行图像分割可以更好处理弱边缘部分，模型对噪声具有的鲁棒性和对灰度不均匀图像分割能力强，初始化水平集函数不影响分割结果，而且计算效率高。