水平集算法以其良好的拓扑性和稳定性，在医学图像分割领域得到了广泛的应用。传统水平集算法需要不断的进行重新初始化，大大增加了计算量。变分水平集模型将距离约束信息加入到水平集能量泛函中，解决了需要不断重新初始化的问题。可变区域拟合模型（RSF模型）加入了局部二元拟合能量项，增强了对灰度不均匀图像的分割效果。但水平集算法对初始化方案和控制参数仍具有较强的依赖性。为此，本文进行了以下研究工作:
　　1)研究了水平集算法理论。从水平集算法的发展过程入手，分别研究了测地线活动轮廓模型，变分水平集模型以及RSF模型的理论及其优缺点。
　　2)研究了基于聚类的医学图像分割算法。主要针对目前应用较为广泛的模糊C均值聚类算法和均值漂移分割算法进行了研究，并通过实验对两种方法的全局图像信息提取性能进行了分析。
　　3)提出了一种新的均值漂移—可变区域拟合(MS-RSF)水平集算法。该算法利用均值漂移聚类的结果对RSF模型进行初始化并估计其演化参数。同时，克服了均值漂移对噪声和灰度不均匀性敏感以及RSF模型对初始轮廓和参数设置的依赖等缺点。实验结果表明，MS-RSF水平集算法对医学图像具有更好的分割效果和计算效率。