图像处理是一项重要的计算机技术,它是将原始的图像信息,提炼为有实用价值的视觉元素,受到广泛的民生关注和科技应用。人们生活水平的不断提高,使得医学影像学的作用逐步显现。医学影像技术不断地发展和改进,使医学图像处理具有很大的提高和发展空间,是理论性和实用性很强的现代科学技术。但是固有的伪影、噪声、边界模糊以及灰度不均匀等医学图像特征,也增加了可视化与辅助治疗的难度。医学图像分割的难点在于：医学图像复杂的灰度、边缘及色彩等特点,传统的图像分割算法应用于医学图像效果并不理想,因此医学图像分割一直成为研究重点、热点和难点。单一的传统算法己经无法满足医学图像分割的需求,为了克服上述的难点问题,结合聚类思想和RSF水平集模型,在PDE方程框架内,提出基于模糊聚类与局部鲁棒统计的水平集算法(Fuzzy Clustering and Local Robust Statistics based LS Mode,FCRSM),以获得鲁棒性和精确性并存的图像分割改进技术。本文核心是构造模糊集理论与形变模型的融合模型：通过传统K均值聚类过渡至模糊C均值聚类,利用模糊隶属度重新定义灰度医学图像像素,同时引入相关熵与局部鲁棒统计信息,增强图像对噪声和伪影的鲁棒性。而算法核心是形变模型中的水平集主动轮廓模型—RSF算法,同时融合模糊聚类与统计学信息,形成改进的水平集FCRSM模型。实验部分将传统的RSF模型,结合K均值的改进RSF模型—CRSM算法,以及FCRSM算法等三种方法,分别进行定性和定量对比,结果显示FCRSM算法在分辨率大小合理的情况下,分割精度和效果显著高于传统水平集方法。本文主要工作：(1)阐述图像分割类型,以及某些代表性的图像分割技术及其改进；(2)简要描述K均值聚类和水平集算法的图像分割应用：利用K均值聚类的简单高效特点,将K均值与水平集的结合使用；通过实验对改进的基于鲁棒统计信息的CRSM算法进行分析,分析该改进算法的优缺点。(3)针对传统RSF算法以及CRSM算法的不足,结合模糊C均值算法,形成改进的FCRSM算法,研究其在医学图像分割的应用及优缺点,并融入RSF水平集模型进行图像分割,以获得更高的处理精度和噪声鲁棒性。(4)展示传统分割技术与改进技术的量化和直观对比,分析算法改进的优势。本文的创新在于将聚类、局部统计、相关熵与水平集模型融合,形成一种全新模型。本文研究意义：使医学图像分割更好地促进高层的图像分析、理解；同时也能为图像配准、融合、识别服务,提升医学价值。使得医生能结合检测结果与专业医学知识,进行定量化诊断、药物疗效评估和预后不良预测,以制定更加科学合理的诊疗方案。