在生活中,我们得到的图像往往被噪声和阴影扭曲或污染,造成图像边界模糊。对于给定的图像,活动轮廓模型将分割过程转换为求解过程中能量泛函的最小值,但其迭代过程比较复杂。针对这一问题,Osher等人提出了水平集方法。水平集方法在图像分割方面发展了很多算法,主要分为基于全局的算法和基于局部的算法。基于全局的算法主要考虑图像的全局信息,因此,它的分割速度较快且适用于分割强度较均匀的图像。但是对于强度不均匀的图像,基于全局的算法分割准确性较低。而基于局部的算法主要考虑图像的局部信息,它适用于分割强度不均匀的图像。它的缺点是由于考虑的图像信息较多,导致其分割速度较慢。现在较多方法都开始注重这两类算法的融合,以达到既能提高分割速度,又能分割强度不均匀图像的目的。为了提高分割速度和分割准确度,本文提出了三个活动轮廓模型,分别为基于图像局部信息的医学图像分割校正模型（ER模型）、基于熵函数和水平集的图像分割和校正模型（ARE模型）和基于稀疏约束的医学图像分割校正模型（SSR模型）。ER模型通过结合RESLS模型和LSE模型,继承了RESLS模型的优点,即对强度分布不均匀的图像具有鲁棒性,也继承了LSE模型能够准确矫正的特点。与此同时,ER模型通过减少能量泛函中的参数大大减少了模型调优的时间。但是,ER模型对于不均匀的自然图像分割效果不佳,所以我们提出了ARE模型。ARE模型通过结合CV模型和LSE模型,综合考虑了图像的全局信息和局部信息。同时,我们增加压缩函数来控制全局项和局部项在同一范围内,减少了需要调优的参数。我们用熵函数作为能量泛函的全局项和局部项的系数,使模型达到自动化调整系数的效果。由于ARE模型分割人脑MR图像的表现有待提高,故而我们提出了SSR模型。通过运用稀疏约束的相关知识,我们建立人脑MR图像库,在ARE模型的基础上加入稀疏约束项,由此达到提高分割准确率的目的。大量定量实验和定性实验证明了三个模型的可行性和有效性。