肝脏疾病对于人类的健康是巨大的威胁,临床上对于这类疾病的诊断和治疗是十分依赖计算机辅助技术的。因此如何从CT图像中获取肝脏以及肝脏肿瘤的位置、大小等特征,是进行肝病诊断、手术规划、功能评估和治疗决策的重要前提。然而依靠专业人员进行纯手工分割是耗时费力的,另一方面,由于肝脏以及肿瘤在CT图像中表现出边缘模糊、低对比度和灰度不均等特性,完全依靠计算机进行自动分割也是较为困难的。因此,本研究针对肝脏和肝脏肿瘤在CT图像中的特征,分别搭建了一种半自动分割方法,以实现高效准确地分割。主要研究内容如下:首先,利用一种以改进的水平集模型为主体的算法进行分割。基于区域或边缘单一信息驱动的水平集模型是不容易完成肝脏分割任务的,该水平集模型在基于全局和局部信息的区域型水平集基础上,引入边缘信息,构建了一种混合水平集模型,并对模型中的边缘指示函数进行二值化,利用区域增长算法从中提取水平集演化的初始轮廓,来完成肝脏分割任务。利用该算法对40套人体腹部CT图像序列和20套MR图像序列进行分割,同样取得较好分割结果。然后,利用骨骼信息进行肝脏分割约束构建。该算法首先通过阈值法获取骨骼信息,接着利用椭圆拟合算法寻找特征点,最后通过三次插值算法构造约束。利用该算法对一些肝脏和肌肉粘连处边缘缺失的CT图像进行约束,有效地解决了了肝脏分割过程中因肝脏与肌肉粘连带来的过分割问题。此外,利用改进的模糊C均值聚类算法完成半自动分割。该方法首先通过人机交互定位肝脏肿瘤,然后利用目标区域的灰度分布直接获取聚类中心和隶属度矩阵,根据隶属度对像素进行分类,完成肝脏肿瘤分割。利用该算法对3Dircadb数据集中的肿瘤进行分割,取得了误差结果较小的分割结果。最后,利用提出的分割算法对其他人体器官和动物器官进行分割,同样取得了较为理想的分割结果,证明了本研究算法具有鲁棒性和适用性。