受医学成像技术的约束和人体器官结构复杂性的影响,医学图像具有复杂的多样性和差异性,分割难度较大。变分水平集方法以其灵活的拓扑结构适应能力、便利的曲线演化能量配置方案、简洁有效的数值求解方法而广泛应用于图像分割领域。但是,在应用变分水平集方法进行医学图像分割时,还有两点不足:一是对初始轮廓和演化控制参数的敏感性,目前仍存在泛化能力不足的缺点;二是水平集曲线演化驱动力的优化问题。尽管目前已经开发出许多基于边界信息、区域信息或综合边界和区域信息的变分水平集模型,但是如何优化水平集曲线演化的驱动能量,使其快速有效的收敛,仍是一个需要探索的问题。本文以两种经典的变分水平集算法(MS-RSF水平集算法和局部高斯分布拟合算法)为基础,对以上两个问题进行了研究。具体工作如下:(1)针对MS-RSF模型中水平集曲线演化的驱动力的问题,提出在模型的能量方程中加入自适应权系数函数,使其能够自适应地控制曲线演化方向。同时,设置自适应相关函数,自适应控制曲线演化迭代停止。实验结果表明,自适应MS-RSF模型对于含噪声、非均质以及弱边界医学图像分割速度快、精度高。(2)针对局部高斯分布拟合(LGDF)算法对初始轮廓的敏感性以及能量方程演化过程中参数的泛化问题提出了改进:提出利用Mean Shift聚类结果对LGDF算法的初始轮廓设置进行引导,使其比手动设置的初始轮廓更接近目标轮廓;LGDF算法基于图像的局部均值和方差信息建立能量函数,演化控制参数改为与聚类数目相关的函数,利用此初始轮廓进行水平集演化,演化过程中无需人为设置,自动化程度提高,算法的鲁棒性增强。