在很多图像分析技术中,图像分割已显得越来越重要。图像分割是图像处理前的一项关键技术。如果图像能够得到有效的分割,在后期的图像处理中就可以得到很多有效信息,如果在图像分割时发生错误,不仅影响后期操作,而且可能对后续研究带来灾难性后果。近年来,研究人员在图像分割方面已经做了很多工作,这其中不乏有比较经典的算法,但是迄今为止,依然没有统一图像分割算法标准。在众多的分割算法中,主动轮廓模型分割算法已经逐渐成为图像分割主流算法。本文首先介绍一些常见的图像分割算法的基本理论与适用情况,分析了这些算法的特点。分析早期主动轮廓模型的局限性,重点研究Chan-Vese(以下简称C-V模型)的数学理论。作为经典的主动轮廓模型,C-V模型有着许多优点,它不再依赖图像目标边缘梯度,曲线演化时间大大减少,尤其对灰度均匀图像分割时,曲线能够有效演化且能得到良好的分割效果。然而实际操作中,大部分图像都是灰度不均匀图像,C-V模型在处理复杂图像时得不到良好的分割效果。另外,C-V模型对灰度不均匀图像进行分割时,对初始轮廓位置放置的鲁棒性不强。而且在C-V模型计算中,重新初始化水平集函数往往会占用太多的时间,在轮廓曲线停止演化方面,C-V模型的参考信息已不再适用。所以提出一种改进的主动轮廓C-V模型是很有必要的。本文提出一种新的模型,该模型融合曲线演化、水平集方法、局部与全局的统计信息,新模型的能量泛函由全局能量函数、局部能量函数、调整项组成。为了避免水平集函数初始化,缩短模型演化时间,在调整项中加入惩罚项。提出一种曲线演化判别依据,能够使得轮廓曲线在正确的目标边界停止演化。仿真实验表明,新模型能加快模型演化速度,对初始轮廓的放置有较强的鲁棒性,能有效分割灰度不均匀图像。