医学图像的应用在现代医学中起着越来越重要的作用，准确理解医学图像，对于医生迅速诊断病情，制定手术方案有着重要的指导作用。医学图像分割也在近年来成为一个研究的热点，它的核心就是解决灰度不均匀图像的分割问题。作为本文的研究对象，股骨DR（Digit radiographic）图像属于医学图像的一个分支。由于在体股骨DR图像具有目标个数不确定，灰度不均匀等特性，传统分割算法虽然能够将股骨外轮廓分割出来，但是对骨折断面的特征提取无能为力。文章从医学图像分割的意义出发，探讨和总结了国内外学者提出的图像分割算法，为之后水平集方法的提出做了铺垫。之后按照灰度波动的理念，分析图像在水平方向上的灰度波动曲线，更深层次的解释了图像灰度不均匀的本质特征。在此基础上，以C-V模型为核心，推导演算得到了新的水平集图像分割模型，能够有效的对股骨DR图像进行分割。文章首先介绍了曲线演化理论和变分水平集方法的基本原理和概念，讨论了当前应用非常广泛、影响力较大的几种经典模型：M-S模型、C-V模型、RSF模型，从模型的物理意义、能量泛函表示、优缺点等方面进行了比较。其次，本文利用灰度波动理论对医学图像的灰度不均性进行了分析，结合水平集经典算法C-V模型，引入了无需初始化的惩罚项，提出了具有分割灰度不均匀图像能力的新模型。新模型利用了图像的整体统计信息和横向灰度波动位置信息，对初始轮廓不敏感，具有一定抗噪能力，并且由于加入了惩罚项，无需对水平集函数进行重新初始化，大大加快了模型的分割速度。为了验证算法有效性，在一幅X-Ray血管图像上进行了分析验证，得到了很好的分割效果。之后以新模型为核心，阐述了在体股骨DR图像的分割流程。最后，介绍了医学图像分割结果的评价方法，分别采用主观法和客观法评价了新算法图像分割效果，通过实验进一步验证了算法的有效性。