图像分割是将感兴趣的区域与图像的其他区域进行精确分离,是图像处理中重要的一部分,是医疗上的计算机辅助诊断、解剖结构研究等方面的重要工具。准确有效的分割图像一直是人们的研究热点,也是为后续的图像处理例如图像检测,图像识别等提供有力支持。因此,我们不仅需要研究如何准确地将目标从图像分割出来,而且需要研究在细节上也能有效分割,针对上述问题,本文主要做了以下研究工作:首先,本文主要研究了基于粗标定的深度学习图像分割U-net模型,通过粗略的勾勒出目标所在位置,制作相应的数据集来训练U-net模型,利用模型对图像进行粗分割,然后再通过U-net模型对上述结果进一步细分割,通过对比实验验证基于粗标定的U-net的模型比U-net模型有更好的分割效果,而且模型取得了更好的分割边界。其次,为了在细节上取得更好的分割结果,本文将基于粗标定的U-net模型的分割结果作为初始分割,结合水平集方法,提出了图像分割模型I。然后利用梯度下降流对模型I进行求解,再使用有限差分方法数值离散模型I,通过数值实验验证了模型的有效性,在基于粗标定的U-net模型基础上,获得了更好的分割细节。最后,本文将基于粗标定的U-net模型的分割结果作为初始分割和形状先验,结合水平集方法,提出了图像分割模型II。同样利用有限差分方法进行数值求解,编写程序实现了模型II,并且对比了模型II的实验结果与CV模型,距离正则化水平集方法的实验结果,证明模型的有效性,获得比模型I更好的分割效果。从而,我们结合了深度学习图像分割模型和水平集方法,进一步的提升了模型的分割精确度,在细节方面也取得了更好的效果。