近年来图像分割的在实际生活中日益广泛,对其的研究也愈发重要。例如,在医学图像领域,准确的分割目标图像可以帮助医生做更合理的诊断,具有重要意义。现有的图像分割方法取得了一定的成果,然而,由于图像像素强度的不均匀性、现实世界的噪声、伪影等,导致很多图像分割模型的分割结果并不准确。因此,本文提出三个分割模型来应对强度不均匀的图像的分割和校正问题。为应对图像的强度不均匀性,在模型一中添加偏磁场信息,以更精确的应对图像的偏磁场进行估计和校正。具体来说,首先构造具有局部高斯分布特征的拟合能量,并利用自适应尺度算子来调整局部区域的尺度,以最大后验概率分割图像。采用分裂Bregman方法最小化能量函数提高图像的分割效率。将二区能量泛函扩展到多尺度和向量值能量泛函。经过在医学图像和一些合成和自然图像上的测试,与其他典型的主动轮廓模型以及机器学习模型的比较,该模型可以更好的分割目标,进行的图像偏磁场校正。在模型一的研究结果上,改进偏磁场的理论估计,在假设每个像素的局部邻域强度服从高斯分布的基础上提出了模型二,分解图像为两个乘法分量,以更好的处理图像的局部不均匀性。仍使用分裂Bregman方法提升图像分割的速度。然后将二区能量泛函推广到多尺度和向量值能量泛函。在实验中,选择非均匀的医学图像和自然图像,并与其他模型进行了比较。结果表明,该模型具有较高的分割效率和较好的分割精度,分割速度远快于其他经典模型。在模型二的研究基础上,为了进一步提高模型的分割性能,又利用符号压力函数来改进模型。将基于高斯分布的模型用以处理图像全局的信息,引入符号压力函数作为局部分割模型。符号压力函数可以更好的驱动活动轮廓的演化,和之前的模型相结合,既利用了局部信息,也利用了图像的全局信息,细节的把控兼具整体的分割,可以达到更好的分割效果。在建立二区分割模型的基础上,将模型扩展到多区模型和彩色模型上,与前面的模型相比,该模型可以分割多区和彩色自然图像,拥有更广的应用场景和更好的分割效果。