图像分割是图像分析和计算机视觉领域的一个至关重要问题。它的主要目标是把给定的图像划分成一系列有意义的区域,同时从这些区域中选取最感兴趣的目标区域,便于后续的图像处理。目前为止,包括活动轮廓模型在内的大量好的方法已经广泛应用于图像分割。近年来,基于水平集的活动轮廓模型,由于实现方法简单并且有较好的分割效果,已经成为图像处理领域的一个热门研究课题,深受国内外广大学者的普遍关注。活动轮廓模型主要分为两类:基于边缘的模型以及基于区域的模型。与边缘活动轮廓模型相比,区域活动轮廓模型有更多的优势,比如,可以更准确地提取图像的弱边缘与模糊边缘,对初始轮廓的大小和位置不敏感,更重要的是对噪声具有较强的鲁棒性。本学位论文讨论区域活动轮廓模型,主要针对现有活动轮廓模型不能准确分割弱边缘、模糊边缘和被噪声严重污染的图像的问题。围绕C-V模型、RSF模型和Zhang模型等几个知名的区域活动轮廓模型展开研究,探讨这些模型对噪声敏感的原因,提出新的噪声鲁棒的水平集演化模型。所做主要工作如下:针对噪声图像,基于曲线演化理论和水平集方法,提出一个对噪声鲁棒的水平集分割模型。利用图像的局部和全局信息,构造新的速度函数,得到一个水平集演化偏微分方程。实验表明,该模型对含有高噪声的合成图像和真实图像有很好的分割效果,同时能准确提取弱边缘和模糊边缘,对轮廓初始化有较强的鲁棒性,具有一定的应用前景(例如对皮肤损伤图像的分割)。此外,与C-V模型和Zhang模型比较,本文模型在收敛速度和分割效果方面有更大优势。