医学图像对于病理诊断和科学研究具有重要的意义。精确的医学图像分割能够辅助医生快速的判断病人的病情,找到病灶。但是,由于成像设备的缺陷以及人体组织结构的复杂性,往往导致医学图像存在严重的灰度不均和边界模糊现象,使图像分割变得复杂。因此,基于医学图像的分割算法是当前图像分割领域的研究热点。本论文基于水平集方法对医学图像进行分割,取得了以下成果：(1)针对灰度非均匀的医学图像,通过使用图像的局部区域信息构造能量函数,实现了灰度非均匀图像的分割及偏移场矫正。目前,医学图像分割方法主要为基于水平集的几何主动轮廓模型分割方法。几何主动轮廓模型主要分为两类：边缘型模型和区域型模型。传统的区域型模型如CV (Chan-Vese)模型可以有效分割弱边界及离散状边界问题,但对灰度非均匀图像无法有效分割。李纯明博士提出的LBF(Local Binary Fitting)模型解决了这一难题,并进一步提出了LIC(Local Intensity Clustering)模型,该模型不但对灰度非均匀图像分割效果显著,而且可以对图像进行偏移场矫正,使图像恢复成原始的真实图像。本文在此基础上,针对医学图像普遍存在灰度非均匀的现象,提出了一种基于局部区域信息的医学图像分割及偏移场矫正方法,以有效分割医学图像并矫正偏移场使图像变为灰度均匀。该方法由偏移场和理想图像拟合原始图像,利用图像的局部区域信息,通过拟合图像和原始图像构造能量函数,采用变分水平集方法进行求解。实验结果表明,该方法能够有效实现医学图像分割及偏移场矫正,与其他分割及偏移场矫正方法相比,该方法具有较高的分割及偏移场矫正的精度和效率。(2)近年来,随着图像分割面临的问题越来越复杂化,一幅图像中往往存在多个待分割目标,为此,本文提出了多相水平集的医学图像分割及偏移场矫正方法。该方法通过双水平集构造四项分割区域,利用图像局部区域信息拟合水平集函数,并在每次水平集函数迭代过程中进行高斯滤波。实验结果表明,该方法能够有效分割灰度非均匀的多目标图像,并且可以进行偏移场矫正。与其他方法相比,本文方法精度更高。