图像分割是将图像划分成一系列相似特征区域，并能提取出关键特征区域进而对图像进行识别与理解。在图像分割之前先对图像进行预处理，分别从图像复原和图像增强两方面着手，以改善图像质量和效果，然后从两个大的方面来对图像进行分割:阈值化技术与基于偏微分方程的方法.对图像目标和背景性质差异较显著，图像能量较集中的情况下采用阈值化技术，并分别从单阈值法、双阈值法、多阈值法进行分析:单阈值法，采用了基于最小误差的阈值分割、OTSU分割法等进行了分析；双阈值法，例如改进的OTSU分隔法、基于二维灰度的分割法等；多阈值分割法，例如基于多阈值的OTSU分割法、分水岭算法等。而后使用智能算法来对目标函数求解，提高了计算效率。　　 在智能算法研究的过程中，首先列举了传统的遗传算法的特点，并根据算法流程分析了遗传算法的优越性，但却也存在明显不足。对于收敛于局部最优的情况时，文章采用了与模拟退火相结合的算法对其进行改进，即设置一个退火温度，从而改进其陷入局部最优的情况；另一方面，当演化进行到后期，对于交叉概率与变异概率应逐渐进行控制以达到正常收敛，文章采用了模糊逻辑控制器，根据当前的收敛情况适当控制交叉和变异过程中的概率系数，使得算法的效率得以提高。　　 针对目标与背景较复杂的图像文章采用了基于偏微分方程的活动轮廓线法进行分割，进而分析了一些主动轮廓线模型:snake模型、Mulnford-Shall模型，以及改进后的C-V模型。对于C-V模型，文章使用水平集方法，将曲线对应为一个更高维的曲面的演化函数，用偏微分方程进行表示，这样可以自然地改变轮廓曲线的拓扑结构，解决了因轮廓线不封闭或分离造成的不当分割。并用极小能量泛函来描述，而后采用窄带方法进行差分求解，简化了计算。根据实验结果可以发现，对渐变灰度的背景，并且与目标的灰度接近的图像，以及对边缘不封闭的目标可以得到较好的结果。