近年来,随着科学技术的发展与生活水平的提高,人们在日常生活中每时每刻都需要获取和产出大量数字、图像、视频等数据。其中,图像数据凭借其直观易懂、表达信息丰富等特点成为当今社会最受欢迎的表达方式之一。因此,针对图像信息的各种处理技术成为了人类生活中必不可少的一部分,作为图像处理过程中的重要一环,图像分割技术也随之应运而生。其中,水平集方法因为其灵活性强、有强大的数学理论支撑、易拓展等优势广泛应用于各类图像分割。但由于现实中获取的图像数据可能存在灰度不均匀、噪声、模糊与低对比度、多目标等复杂场景,再加上传统水平集方法演化速度较慢且对初始轮廓的依赖性很强,对于实现准确且高效的图像分割形成了一定的挑战。为了提升水平集方法对于灰度不均匀、噪声、模糊与低对比度、多目标等复杂场景图像分割的准确率,加强模型对初始轮廓的抗敏感性,同时保持较高的分割效率,本文主要做了以下工作:（1）提出了一种能有效分割灰度不均匀、噪声、模糊与低对比度、多目标等复杂场景图像同时能保证较高分割效率的双权重符号压力函数（Double-Weighted Signed Pressure Force,DWSPF）模型。针对现有的基于符号压力函数分割方法中灰度不均匀图像分割效果差的问题,本文首先将勒让德多项式和全局灰度信息结合到符号压力函数中,加强模型对于灰度不均匀图像分割的鲁棒性,并使用一个系数来加权勒让德项和全局项的影响程度;然后引入另一个加权因子作为演化曲线内部与外部区域灰度信息拟合中心的系数,优化曲线向感兴趣区域的内部和形态复杂的目标分支演化,提高模型分割的准确率。实验表明,该方法对灰度不均匀、噪声、模糊与低对比度、多目标等杂场景图像具有较好的分割效果,同时还有效地控制了耗时,且对初始轮廓的抗敏感性增强。（2）提出了一种基于自适应权重符号压力函数（Adaptively Weighted Signed Pressure Force,AWSPF）的图像分割模型。针对DWSPF模型手动设置曲线内外部区域灰度拟合中心系数的耗时与不准确问题,同时更好地让演化曲线停留在目标边缘,AWSPF模型首先定义了一个基于演化曲线内部与外部区域图像信息的自适应全局灰度加权均值（Global Average Intensity,GAI）项;然后定义了一个基于演化曲线内部与外部区域图像信息的自适应勒让德多项式加权均值（Legendre Polynomial Intensity,LPI）项;最后将GAI项和LPI项同时引入到新的符号压力函数中,然后用系数加权它们的影响程度,并且定义了一种新的边缘停止函数,将区域信息与边缘信息都纳入到梯度流方程中。实验表明,该模型在具备DWSPF模型基本分割性能的基础上,还能够实现拟合中心的加权系数的自适应;且由于引入了边缘信息,曲线能够更好地停留在感兴趣区域边缘。（3）提出了一种基于更快速区域卷积神经网络（Faster Region Convolutional Neural Networks,Faster R-CNN）与AWSPF模型相结合的面向应用场景的两阶段自动分割系统。由于水平集方法属于半自动分割方法,需要人为确定初始轮廓,才能进行迭代演化,但初始化过程相当费时,且初始轮廓的位置对分割结果影响大;另一方面,由于医学肝脏图像具有代表性,因此选择肝脏分割为具体的应用场景实例进行实验。本文首先对来源于重庆市肿瘤医院的肝脏图像数据进行扩充及手工标注,将其整理成标准数据集;然后使用Faster R-CNN进行模型训练,并对测试图像进行初步检测,将检测矩形框的中心点自动定位疑似肝脏区域的初始轮廓,节省了人工初始化的时间成本;最后使用基于该初始轮廓的AWSPF模型实现第二步的精确分割。实验表明,该方法能够获得较为满意的分割效果并且避免了繁琐且耗时的人为初始化步骤。