图像分割技术作为诸多图像分析与理解技术的基础,近年来受到国内外诸多研究人员的持续和广泛的关注。其中,基于变分水平集理论的图像分割方法凭借其运算速度快、数学理论基础可靠、模型结构简单清晰和属于无监督算法等特点,成为近期图像分割领域的热点方法之一。同时,有监督的机器学习与深度学习方法具有学习能力,可实现对图像语义等抽象信息的提取和分析,并在图像分割领域获得较成功的应用。本文基于变分水平集方法,针对现有模型难以处理噪声图像及抽象语义丰富的自然图像的问题,进行了改进创新,并使用人工合成图像与自然图像设计多组实验验证了所提方法的可行性和有效性。本文所做的主要工作如下:(1)基于One-Class SVM构建一种数据离群程度量化指标,并将离群程度值引入能量泛函,令分割模型可以在多种极值噪声强度下获得较为准确的图像信息,同时避免现有方法在强噪声环境下,降权机制失效的问题。最后,通过最小化能量函数,驱动分割轮廓向目标边缘演化,并最终停留在正确的目标边界附近。在多种极值噪声环境下进行的实验结果表明,与传统噪声鲁棒模型相比,所提方法在未显著增加分割耗时的前提下,对于极值噪声有着更好的鲁棒性,并且可以分割带有极值噪声的自然图像。(2)提出一种对待分割图像具有适应能力的噪声估计机制,在传统偏移场型变分水平集方法的基础上,使用卷积降噪自编码器对图像噪声进行建模,并实现了噪声分离。相比于人工为模型引入先验统计信息增强模型鲁棒性的方法,本文方法对待分割图像具有更强的灵活性与适应性。最后,本文在高斯噪声图像上进行的一系列对比实验,证明本文方法对于多种强度高斯噪声图像具有良好的鲁棒性,并可以准确分离图像中的噪声成分。(3)在无监督变分水平集方法的基础上,基于卷积神经网络和深度学习方法,提出一种有监督的噪声鲁棒变分水平集方法。该方法解决了传统方法仅依赖像素级图像信息,不能处理抽象语义信息且不具有学习能力的问题,并提升了变分水平集方法在概率噪声环境下的表现。实验表明,所提方法可在高于传统噪声鲁棒方法适应范围的超高强度概率噪声环境下,对合成图像和自然图像均能输出有实用价值的分割结果。