随着计算机技术的不断发展,图像分割在实际应用中占据着越来越重要的位置。学者们也提出了许多新的图像分割模型,推动了整个图像分割领域的发展。活动轮廓模型被广泛应用到各个领域,其中基于局部区域信息的图像分割模型是通过对待分割图像逐点进行局部灰度拟合来完成分割的,能有效分割灰度不均图像,但过度依赖局部信息导致了此类模型对于初始轮廓的选取较为敏感,选取不同的初始轮廓可能会产生完全不一样的分割效果,甚至可能产生错误的分割结果;对于强噪声的鲁棒性不强,分割速度也比较慢。针对上述问题,本文考虑图像不同尺度的信息构建分割模型,主要内容安排有如下两个:（1）针对基于局部区域信息的图像分割模型对于轮廓初始化和强噪声较为敏感的问题,以区域可变灰度拟合模型为基础重新提出一个新的图像分割模型。新模型的能量泛函包括三项:基于图像全局和局部信息的数据项、融合边缘指示函数的光滑项以及水平集函数的正则化项。通过变分法和梯度下降流方法得到水平集函数的演化方程。最后,通过对一些图像的分割效果图以及分割时间、迭代次数的对比检验模型的有效性。（2）为了进一步提高上述模型对噪声的抗噪性,并从根本上解决轮廓初始化问题,重新构造了一个新的水平集演化驱动项,并融合了加权长度项和水平集正则化项以保证演化曲线在演化过程中的光滑性同时避免水平集反复重新初始化。实验结果表明,所提模型不仅对灰度不均图像有较好的分割效果,且在有初始轮廓的情况下允许灵活的轮廓初始化,很大程度上提升了模型对于轮廓初始化的鲁棒性。另外,在无初始轮廓的情况下所提模型也可以快速、准确地分割灰度不均图像,以及红外、医学等一些真实图像以及噪声图像等多类图像。