图像分割是指根据灰度、色彩、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显的不同。图像分割不仅是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一,也是图像视觉分析和模式识别的基本前提,同时它也是一个经典难题,因为到目前为止没有一种适合于所有图像的通用的分割算法。基于Snake模型的图像分割是一种高效的图像分割技术。它能够有效地利用局部与整体信息,实现目标边界准确定位,保持线性光滑。它是一个充分利用高层信息的自上而下的处理过程,通过它来提取感兴趣的目标的特性快捷而有效。正是由于Snake模型的这些特点及深刻的理论背景,它一经提出就成为计算机视觉研究的热点。本文首先对图像分割的目的、意义及发展现状等进行了综述,在此基础上对基于Snake模型图像分割技术进行了介绍和分析,包括Snake模型的产生背景、理论、算法实现和优缺点等方面。论文主要研究并实现以下几个方面的内容：第一：针对Snake模型图像分割技术的研究现状进行分析。第二：详细的分析了传统的Snake模型的原理,推导过程,数值计算及优缺点,同时对几种改进的模型——Balloon模型,GVF模型,Level Set模型算法分析以及通过试验分析算法的优缺点。第三：针对Snake模型中参数的取值直接影响着分割的质量和效果,对参数的选取方法进行了研究。本文中,对几种参数选取的算法——贪婪算法、动态规划算法、遗传算法进行了分析,比较了几种参数选取的算法优缺点。