图像分割是个病态问题，对于一个确定的景物，使用不同的一致性准则就会得到不同的分割结果。在医学领域中，图像分割是病变区域提取、特定组织测量以及实现三维重建的基础。由于人体解剖结构的复杂性、组织器官形状的不规则性及不同个体问的差异性，一般的图像分割方法对医学图像分割效果并不理想。医学图像通常由感兴趣区和背景区构成，感兴趣区包含重要的诊断信息，尽管在整幅图像中所占的面积也许不大，但其错误描述的代价非常高，所以感兴趣区是医学图像分割的重点。图像分割在医疗上的应用通常是利用人体器官或病灶的区域同一性或边缘差异性，从图像中提取感兴趣区。 彩色图像包含了比灰度图像更多的信息，但是彩色图像分割算法却不如灰度图像丰富，尤其是在医学领域。已有的研究表明，彩色空间聚类、神经网络、区域生长和分水岭、可变形模型、边缘流方法是比较适合分割彩色图像的方法，结合多分辨率方法可以进一步提高分割效果。现代医学图像分割的算法大多是把多种理论结合起来应用，以达到相互补充的目的。 对于医学图像分割来说，可变形模型这种基于模型的全局化的高级分割方法有很多优越之处：对噪声和边界间隙的鲁棒性都较强；保证了内在连通性和边界光滑性；边界表示形式可高达亚象素的精确程度。其中，水平集模型更是因为能够自然的处理轮廓线的分裂与融合产生的拓补变化而在医学图像分割领域得到了广泛的应用。 本文首先讨论了常见的适合医学彩色图像分割的方法，然后研究了近年来在医学图像分割领域得到广泛应用的水平集可变形模型以及在彩色空间的扩展，实现了水平集模型的窄带快速算法。最后，本文通过设计一系列针对VHP彩色低温断层图像的试验，研究分析了彩色纹理信息和彩色梯度信息对分割结果的影响，HSI和RGB不同彩色空间的对分割结果的影响，以及阈值化梯度或纹理差异的影响。