图像处理作为一门涉及面十分广泛的学科,在众多领域都得到学者的关注。而图像分割作为图像处理的关键内容,历来都是研究的热点,能够分离出后续工作需要的目标以便进行更好的分析、实验,分割结果越精确,后期实验分析效果就越好。近些年来,图像分割一直受到人们的高度重视,至今已经提出大量的各种类型的算法。活动轮廓模型(Active Contour Model)是一类重要的图像分割模型,可分为两类:基于边缘的模型和基于区域的模型。基于区域的模型因其本身特有的优势,如对轮廓初始化和噪声不敏感,使其应用较为广泛。灰度不均是真实图像(如医学图像)中最常见的灰度特征,且难于处理。如今已有很多模型就是针对这种特征提出的,最为著名的有RSF模型(IEEE Transaction on Image Processing,2008)与LIF模型(Pattern Recognition,2010)等,但是对于这些只含图像局部信息的模型,它们对轮廓初始化十分敏感。因此,如何有效地对这类图像进行分割,一直是图像分割领域的一个热门课题。本学位论文深入研究了一些经典的活动轮廓模型,如CV模型(IEEE Transaction on Image Processing,2001)、RSF模型以及LIF模型,然后研究了具有复杂背景或灰度不均匀图像的分割问题。主要结果如下:针对灰度不均的图像,结合图像全局和局部信息,构造了一个新的活动轮廓模型。该模型的能量泛函由三部分构成:局部项、全局项和正则项。局部项包含图像的局部信息,所以它使模型能够很好处理具有复杂背景或灰度不均匀的图像;全局项包含图像的全局信息,所以它使模型对初始轮廓有很好的鲁棒性;正则项是为了保证零水平集(曲线)的光滑性,增加模型的抗噪能力,同时避免水平集函数的周期性重新初始化。实验表明,该模型能够很好处理灰度不均图像,且分割结果不依赖于初始轮廓的选择。此外,与LIF模型等同类型的模型作对比,实验显示了本文模型的优越性。