活动轮廓模型的提出是图像分割领域的一个重大突破，由于其既能融入图像边界与区域信息、又能表达先验知识，同时具有可行算法支持等优点，活动轮廓模型在边缘检测、医学图像分割以及运动跟踪等方面近年有了广泛的应用和快速的发展，目前也是计算机视觉领域最活跃的研究课题之一。本论文首先介绍了现有的几种经典的活动轮廓模型，分析各模型的优缺点并给出实验结果对比。分析发现利用图像全局灰度信息的Chan-Vese模型对轮廓初始化和噪声不敏感，但不能分割灰度不均匀性图像；利用图像局部灰度信息的局部二值拟合模型能够分割灰度不均匀性图像，但对轮廓初始化敏感且计算量大。针对这些问题，本文提出了一种改进的统计信息结合测地线模型的图像分割算法。首先将局部和全局灰度信息融入符号压力函数中来，使两种灰度信息能更好地融合，且对目标边界具有更好的捕捉力，而符号压力函数的简单实现方法可以降低算法的运算成本。然后分析局部灰度信息和全局灰度信息在模型演化过程中的作用，得出在靠近目标边界时，局部信息起绝对性作用，在远离目标边界时，全局信息起绝对性作用。其后根据这一特性利用图像的局部灰度信息构建隶属函数自适应地确定模型中局部和全局灰度信息的组合系数，提高了模型的适用性。最后对不同类型图像进行实验。分割结果表明该方法可以很好地分割灰度不均匀性图像，对轮廓初始化位置不敏感，而且实现过程简单，得到结果所消耗的迭代次数和时间都明显减少，对组合系数参数的改进也能取到很好的效果。