图像分割是指将图像划分成一系列彼此互不交叠的匀质区域。作为一项最基本技术，它在图像分析、图像压缩等图像处理领域发挥极其重要作用，尤其是精确的医学图像分割在临床诊断中是必不可少的。 基于吉伯斯随机场的先验模型通常被用于解决退化图像病态逆问题正则化求解，并通过提供良好的空间上下文约束信息，在贝叶斯医学图像分割中广泛运用；然而，在临床分割中，由于复杂的医学结构和图像的退化现象，导致了该模型在正则化过程中，需要适当改进以适应临床的不同需求。因此，本文针对该模型开展了深入系统地研究，并提出一系列相应的解决算法。 首先，本文针对吉伯斯随机场在分割中参数估计难的问题，通过统计与训练，提出联合的最大似然与最大后验估计方法，在迭代中完成参数估计并实现对图像的吉伯斯贝叶斯分割； 其次，本文针对引入高阶邻域空间约束信息在医学图像分割中所面临的尴尬问题，通过扩展单一分辨率的马尔科夫模型到多分辨率领域，提出一种混合金字塔随机场模型，只需考虑二阶邻域就能实现传统单一分辨率下只有引入高阶邻域才能更好解决的分割精度和效率问题； 其三，本文针对医学图像多类模糊分割所面临的瓶颈问题，通过建立一种新颖的广义模糊吉伯斯随机场模型，分别从先验模型和似然模型入手，提出一套适合医学图像多类模糊分割的理论和技术方法； 另外，本文针对水平集在解决复杂组织结构和形状拓扑关系改变分割过程中遇到的边界泄漏问题，设计出一种自适应的广义模糊速度场，通过提供更鲁棒的边界信息和更可靠的运动停止力，解决了传统以梯度图为边界信息的边界泄漏问题。 本文通过大量的实验验证了所提模型与其改进方法的有效性。