随着医学成像技术的快速发展,计算机辅助诊断系统成为当今医生诊断的重要辅助工具,而医学图像分割又是计算机辅助诊断系统设计中的关键技术,其目的是将医学图像中具有某些特殊含义的部分分割出来,并提取相关特征参数,为临床诊疗和病理学研究提供可靠的依据,辅助医生做出更为准确的诊断。然而,由于医学图像的自身复杂性:器官繁杂、相邻器官对比度低以及弱边缘等问题,虽然目前随着卷积神经网络在图像处理中的发展,深度学习已被用于医学图像分割中,以及传统的图像分割方法也对医学图像分割具有贡献,但医学图像分割仍具有相当大的挑战。在此本文对深度学习中对医学图像进行分割的方法、活动轮廓模型的基本理论和计算等知识等做出了介绍。通过对上述知识点的梳理发现深度学习分割方法更加侧重于高级特征的提取,注重语义信息,能较好地识别出相关器官的类别与所在,但不能很好地对医学图像的边缘进行分割。正相反,基于活动轮廓的分割方法更侧重于提取低层特征,能够更好地利用图像的局部信息（如边界、位置等）,但容易受限于初始轮廓的选择。本文的贡献主要在于:首先针对深度学习中注重高层次语义信息提取和水平集方法注重边缘细节的分割的优点,提出了一个融合二者优点的方法,即利用深度学习中的目标检测的将腹部CT图像中的肝脏区域从众多的器官和组织中识别出来,并将其进行定位,该定位信息则作为水平集方法的初始轮廓,随后利用改进的活动轮廓模型对器官进行分割。其次在针对腹部CT图像缺乏定位信息数据集的问题,利用bounding box对肝脏图像进行最大内接框的生成计算,并利用label Img对其进行标注。针对腹部CT图像中产生的噪声和肝脏与邻近器官、组织等存在弱边缘、低对比度等问题,对图像进行了格式转化、图像平滑和图像增强等操作,通过实验表明图像预处理对接下来的图像分割有良好的效果。最后在针对DRLSE模型对具有弱边界、低对比度问题的图像仍然具有容易分割错误的情况,提出了对其边缘指示函数进行改变,并通过对比试验对该算法中的β系数的选取进行了分析与说明。最后将本文算法与传统的水平集方法和常用的深度学习方法Unet及FCN模型进行了对比试验并对其得到的数据评估进行分析说明,发现本文所提出的方法在腹部CT图像的肝脏分割中取得了最好的效果。