基于形变模型技术的图像分割方法，出于既利用了底层的图像数据信息，又结合了高层的目标先验知识，在处理形式多样、结构复杂的医学图像时，显示出其独特的优越性和广泛的适用性。如何进一步完善其理论和方法，将该模型推广应用到医学图像分割领域，是本论文准备探讨的主要内容。 作者在广泛调研基于形变模型的医学图像分割方法的基础上，提出了一种新的分类方法，从新的视角对形变模型技术进行了系统的分类和知识的梳理。然后详细探讨了两类重要的形变模型——主动轮廓模型和主动形状模型的基本原理和实现方法。在此基础上，针对医学图像分割中的具体问题，提出和实现了几种改进的方法，并在实际应用过程中取得了满意的效果。本文研究工作的创新性主要表现在以下三个方面： 1) 形变模型技术的系统分类和知识梳理。形变模型技术的研究方兴未艾，但是至今没有一个统一的分类方法，作者在广泛调研相关工作的基础上，参照前人提出的分类思想，提出了一种新的分类方法，把形变模型技术大致分为自由形态和受限形态两类模型，从新的视角对形变模型技术进行了系统分类和知识梳理，回顾了形变模型技术的主要工作及其在医学图像分割领域中的应用，并且在这个分类框架之下，叙述了各种形变模型的基本表述方式、国内外的主要工作及其典型应用，为研究者对这一领域的总体把握提供了有益的参考。 2)主动轮廓模型在数字人切片图像分割中的应用。数字人切片图像数据量大，相邻切片图像在位置和形状上却有很大的相似性。传统的分割方法多是针对每张切片进行单独分割，而没有充分利用这种相似性。作者首先利用经过改进的彩色空间动态阈值法和形态学处理提取切片图像的定位杆坐标，在此基础上对原始图像进行二位投影变换，从而实现了数据集的配准。其次根据配准后数据集相邻切片目标轮廓在位置和形状上的相似性，利用前层切片分割结果指导初始化位置和限制搜索空间的主动轮廓模型，实现了配准后数据集