图像分割对感兴趣的目标区域进行边缘检测和提取，其提供的结果将直接影响到对目标图像的特征分析和理解，对后续工作有重要而深远的意义。但真实图像往往呈现出噪声大、边界模糊以及图像密度不均匀等问题，给边界的识别和图像分割带来了诸多困难。　　中外学者针对图像分割问题做出了大量细致的研究，也取得了很多优秀的成果。其中，基于模糊聚类的分割方法将模糊理论引入到传统的聚类方法中，既保留了传统聚类方法算法简单、易于理解和实现等优点，又克服了其分类原则中“非此即彼”的硬聚类缺陷，使得更多的原始图像信息得以保留，因此一直是图像分割领域中的一个研究热点。而变分水平集理论和活动轮廓结合在一起的水平集分割方法将底层图像信息，先验信息等高层理解机制融合到一个统一的数学框架中，突破了传统参数活动轮廓模型中无法实现拓扑结构变化的缺陷，提供的结果具有存在性、唯一性和稳定性，同时还具备成熟的数学理论支撑和简单的数学实现。因此，在图像去噪、图像分割等诸多领域得到了广泛的关注和使用。但是，目前存在的两类水平集模型在不同程度上存在着对弱边界保持能力差、对噪声、灰度不均性以及对初始化敏感、尖角信息保持不好等问题，对于复杂图像，尤其是医学图像等边缘很不清晰的目标区域，难以进行准确分割。针对这个问题，我们深入研究了带约束的图像分割算法，并对约束条件及对分割结果的影响进行了探讨，得到如下创新和成果:　　1、针对传统的模糊C均值算法和改进算法中存在的不能完全充分理解给定图像的语义和内容、以及效率较低等问题，提出了一种交互式约束的模糊聚类算法，允许用户绘制笔画来指导图像分割，并同时考虑了颜色信息、邻域信息，以及交互笔触提供的直观信息。针对自然图像的实验表明，该算法能满足用户的要求，并能从给定的图像中提取出目标对象。　　2、针对传统水平集模型对噪声干扰、模糊边界及灰度不均匀的图像分割效果不佳的问题，提出两种基于约束的水平集分割模型。在这两种模型中，首先定义了区域一致性约束项，通过对0水平集相邻区域的检测，来度量目标边界两侧的区域一致性。两种模型通过在约束项中将边界轮廓线定义为带状区域，大大提高了边界的稳定性，在对弱边界的识别上有了很大的提升。克服了传统基于边缘的水平集模型对于弱边界保持不佳、对初始化敏感等问题。同时，还克服了传统基于区域的水平集模型对于强噪声敏感的缺陷。两种模型可以采取较大的平滑系数和扩展系数来提高分割效率，同时在区域一致性约束项的作用下，对平滑作用引起的模糊边界也可以很好的保持。针对肝部CT、血管等多种特征图像的实验也展示了两种模型的优良性质。　　3、针对图像轮廓中尖锐边界部分，平滑水平集函数容易造成尖角信息丢失的问题，我们提出了一种新的基于局部均匀性测试的水平集演化方法，构造了局部均匀性检验拟合项，并将图像区域信息和边缘信息融合在一个统一的数学框架中。克服了在图像分割中光滑水平集函数使边界尖锐特征无法保持的问题，同时在保持弱边界、抗噪性及处理灰度不均匀等方面也能获得很好的分割效果。　　综上所述，本文的研究工作主要是通过对模糊聚类模型和变分水平集模型施加交互约束和区域灰度一致性约束等条件，构建新的计算模型，来分割带有复杂特征的真实图像和带有噪声干扰、模糊边界及灰度不均匀的医学图像，实验结果表明，所提出的带约束模型对复杂图像的分割效果显著。