图像分割技术用于提取图像中感兴趣的目标,它是图像处理中十分重要的研究内容之一。图像分割是将整个图像区域分割成若干个互不交叠的非空子区域的过程,每个子区域的内部是连通的,同一区域内部具有相同或相似的特征。图像分割方法很多,基于偏微分方程的图像分割方法是目前应用比较广泛的图像分割方法之一。与通常的图像处理方法相比,虽然偏微分方程方法的计算量偏大,计算耗时长,但是其灵活多样的数值计算方法使演化偏微分方程在离散化时具有较好的稳定性,而且能够满足高质量的图像恢复和精确的图像分割等方面的需要。在偏微分图像分割方法中,基于变分法和水平集方法的活动轮廓模型集中体现了偏微分图像分割方法的优越性,因而该方法在图像处理领域中越来越受重视,已逐渐成为研究的热点,并被广泛的应用于图像处理的其它领域。在本学位论文中,我们首先介绍相关的数学知识及图像分割背景,然后重点介绍了基于区域活动轮廓模型—C-V模型,并针对C-V模型的缺点提出了两个改进方案:(1)快速C-V模型。C-V模型是一个著名的基于区域的活动轮廓模型,根据其演化速度主要与活动轮廓线内外灰度差有关的特性,我们提出一种快速C-V分割模型。实验结果显示,该模型不仅大大提高了演化速度,并且降低了对初始轮廓线的依赖性。(2)融合局部熵信息的C-V模型。图像的灰度变化对图像分割也很重要,因此,我们在C-V模型中加入了表征灰度变化的图像局部熵信息,提出了一个新模型。实验结果显示,该模型对背景复杂,非同质图像以及噪声图像具有很好的分割结果。