图像分割是计算机视觉中的关键步骤之一。传统非模型的分割方法由于其方法本身的局部性,有分割区域边界可能不完整、缺乏结合先验知识能力等缺陷,难于满足复杂分割应用的需要。因此,需要一种能有机结合图像本身的低层次视觉属性与待分割目标先验知识的灵活开放的框架,以获得分割区域的完整表达。目前基于水平集方法的图像分割正在显示它的优越性,它有对初始轮廓线位置不敏感,拓扑适应性强等优点。本文研究了基于水平集方法的图像分割方法。首先综述了图像分割的方法,对图像分割的目的、意义进行了概述,并重点对基于能量的Snake模型、Mumford-Shah模型、Chan-Vese模型等三种模型进行了介绍和分析。其次详细介绍了曲线演化理论、偏微分方程模型的水平集方法求解以及数值计算方法。针对水平集方法中符号距离函数计算量比较大这一缺点,本文提出了一种快速构造符号距离函数的方法―八邻域源点扫描法,该方法具有速度快、精度高的特点。通过和直接法、快速行进法、李俊的方法进行对比,结果表明该方法是有效的。最后针对Chan-Vese模型对一些多目标图像边缘定位不准确的不足,本文通过加入基于梯度的能量项对Chan-Vese模型进行了改进,使得模型不但利用了图像的区域灰度信息,而且还利用了图像的区域梯度信息,并用本文提出的八邻域源点扫描法来构造符号距离函数,从而使模型对多目标图像有更好的分割效果,并减少了迭代次数,缩短了分割时间。