图像分割是图像处理中重要的步骤之一。活动轮廓模型可以综合的考虑与图像内容有关的约束条件,并通过定义能量函数,获得更好的分割结果,但是活动轮廓模型存在演化速度慢、对初始轮廓和噪声敏感、以及弱边缘泄漏和目标过分割等问题。显著性特征映射是通过提高图像中某些区域的信息特征,使该区域更易于被检测出来。本文利用图像的显著性特征来提升活动轮廓模型分割性能,主要工作如下:（1）针对活动轮廓模型对噪声敏感,演化速度慢以及目标过分割的问题,本文提出融合显著性特征的活动轮廓模型,首先提出基于暗通道先验算法的显著性映射来提高目标和背景的特征对比度;然后利用最大面积约束解决正交匹配追踪算法对先验信息K的依赖,消除活动轮廓在演化后产生的目标过分割区域;最后将图像的显著信息作为能量增强项加入到CV（Chan-Vese）活动轮廓模型中,并使用边缘检测因子作为活动轮廓能量项的权重,构造了一个新的能量函数。（2）基于局部区域的活动轮廓模型对初始轮廓较敏感,并且在分割噪声分布不规则和弱边缘图像时存在一定的困难。针对上述困难,本文提出了基于局部相似因子和显著性映射的超像素活动轮廓模型。首先结合超像素和模糊c均值聚类产生自适应初始轮廓;然后引入局部相似因子,提高模型对噪声的鲁棒性和抗离群性;最后在模型中引入改进后的显著性映射,消除图像预处理步骤造成的图像细节丢失,避免分割结果出现过平滑和弱边缘泄漏现象。（3）基于卷积神经网络的模型能准确预测简单样本的结肠癌病变区域。对于困难样本的结肠癌病变预测可信度较低,并且网络模型的预测图像经过sigmoid函数后会使结果会变得模糊。针对上述问题,本文提出一个基于深度特征和分类特征的从粗到细的分割框架。首先在损失函数中引入批量核范数最大化,提升网络模型对极少数高级特征的关注,增强模型预测的判别性和多样性;然后针对不同特征的预测图,构造一个自适应分类机制对不同的预测图进行分类处理,并根据预测图像的特征提出一个显著性映射算法,提高病变区域与背景区域的对比度;最后将困难样本的预测图像作为先验信息指导活动轮廓演化,提高息肉分割框架的准确率。本文将图像的显著性特征融入到活动轮廓模型,提出了三个新的能量函数。在数据集MSRA500上进行实验对比,证明了融合显著性特征的活动轮廓模型的有效性。通过在强度不均匀图像、噪声图像以及医学图像上进行实验对比,验证了基于超像素和显著性特征的自适应活动轮廓模型的鲁棒性。本文提出的基于深度特征和分类特征的息肉分割框架,在数据集Kvasir-SEG进行实验,验证了分割框架的稳健性。最后,本文分析了提出模型的局限性,以及在未来工作中的研究展望。