图像分割是机器视觉的关键技术，在自然、遥感、医学图像处理领域都有广泛应用。水平集算法作为活动轮廓分割模型的重要分支，近年来在理论模型和数值求解方面不断得到改进，逐渐成为图像分割领域的研究热点。本文针对变分水平集图像分割算法在初始化和曲线演化方面存在的问题，进行了以下研究工作：　　（1）研究水平集分割算法的基础理论和变分水平集模型的发展趋势。从水平集分割算法的发展入手，分析曲线演化理论和变分水平集模型的特点以及局部图像拟合模型的理论及优缺点。　　（2）研究变分水平集能量目标函数的设计问题。在分析基于边界信息、全局区域信息和局部区域信息变分水平集模型的基础上，以经典的GAC模型、C-V模型和RSF模型为代表，设计实验比较目标函数中各能量项对曲线演化的驱动效果。通过对合成图像和实际图像分割效果的对比，结果表明，基于边界信息模型可以精确定位边界信息，但对噪声敏感且无法分割深度凹陷区。基于区域信息模型有助于防止边界泄露，抗噪声能力较强，但无法分割目标与背景对比度较小的图像。基于局部区域信息模型的计算效率要优于边界信息模型。　　（3）提出均值漂移聚类结果与变分水平集模型初始轮廓的自动耦合方案。在MS-RSF水平集模型的基础上，提出了根据均值漂移聚类结果的动态范围自动耦合二值阶跃函数的方法。通过设计自适应阈值估计公式和选择性映射方式，可以克服原模型中固定阈值和单极映射方式的局限性。实验结果表明，自适应阈值和选择性映射方式可以使MS-RSF水平集模型在无需任何先验知识的条件下获得逼近目标边界的初始轮廓，有效提高算法的鲁棒性和自适应性。