医学图像分割是医学影像处理与分析领域中的一个基本问题,它是其它医学影像后处理(如三维可视化、手术导航等)的基础。传统的图像分割方法有许多缺陷,很难满足复杂的医学图像分割的要求。参数活动轮廓模型(又称snake模型)在由先验模型和图像数据构成的能量函数的驱动下演化,直到抵达目标区域的边界,该模型既承载了上层先验知识又融合了图像的底层特征,因而能有效地应用于医学图像的分割中。本文首先对参数活动轮廓模型的图像分割方法进行了综述,主要研究了snake改进模型的相关理论、方法及其在医学图像分割中的应用。然后,对传统snake模型及其经典的改进模型——GVF snake模型进行了研究,着重分析了两种模型的实现思路及GVFsnake模型对传统snake模型的改进思路,并给出了一些仿真实验。基于上述分析,本文根据医学图像的特点,针对snake模型的外力提出了一种新的外力——动态方向卷积向量场(DDCVF),并利用仿真图像和临床采集图像对该方法进行了全面的测试,实验结果表明该方法在很大程度上避免了强边界或离目标轮廓很近的边界的干扰,提高了对初始化位置的鲁棒性,对于复杂的医学图像具有很好的分割效果。然而,由于医学图像的多样性,而且具有灰度不均匀,存在伪影、噪声等特点,当初始化曲线的位置不合理时,DDCVF snake模型可能得不到准确而稳定的分割结果。为此,本文融入了小波多尺度的概念,提出了基于小波的DDCVF snake模型。通过分割实验对比,证明该方法有效地减小了噪声及虚假边界对分割结果的影响,同时,进一步提高了对初始化曲线位置的鲁棒性,更加适用于医学图像分割领域。最后,作者对自己的研究工作进行了总结和展望。