随着大数据时代的到来以及现代医学影像技术的发展,医学图像的质量和数量都在不断增长,使用人力对图像进行处理及分析就显得格外困难,而那些未经过处理的图像使用价值并不高,因此自然需要一种方法可以自动的对大量图像数据进行初步的处理。水平集方法与传统图像分割算法相比,能够处理拓扑结构的复杂变化,数值计算也比较简单,而近几年卷积神经网络的发展迅速并应用到了医学图像处理领域,在提高医学图像分类准确率的同时,还省去了传统分类方法的特征提取步骤,大大提高了图像分类的效率。如果能用计算机对医学图像自动的进行正常与患病的预测分类,之后对被判断为患病的图像进行分割处理,这样就可以为医生后续的诊断分析提供便利。本文分两部分介绍了图像分割和分类的方法,分割部分首先对曲线演化理论及水平集的原理进行了介绍,随后通过对传统能量函数的改进优化了水平集模型对医学图像边界的识别效果,提高了分割的准确率。分类部分则建立了一个卷积神经网络,对磁共振图像进行对比试验确定一些影响网络分类准确率的参数及方法选择,根据这些参数建立最终的网络,然后再使用医学图像对网络进行训练和测试。为了验证本文所提方法的有效性,本文选取了人体正常MRI图像和病变MRI图像进行分割及分类处理,分割时首先使用距离正则化水平集对图像进行无关区域的去除,之后对图像增强后的图像使用本文提出的改进了能量函数的方法,即在能量函数中添加了双边滤波函数的水平集方法进行分割,并与手动分割的图像标准进行了对比,分类时则是首先构建卷积神经网络的结构并确定参数,随后使用人体正常和病变两类MRI图像对其进行训练及测试,分类预测结果表明,本文的分类算法提高了分类准确率,而分割算法相比传统水平集算法对边界更敏感,同时降低了对初始轮廓的依赖,减少了过分割和欠分割的像素点,并提高了分割的精度、灵敏度和特异性。