活动轮廓模型与传统分割算法相比具有的优势,使其成为当前图像分割领域一种非常流行和广泛应用的分割算法。但是它也存在自身的缺陷,如基于边界的活动轮廓模型由于利用了边界附近图像梯度的局部信息,因此对初始轮廓和噪声都很敏感；基于区域的活动轮廓模型利用了全局信息,初始轮廓可随意放置,但该模型也有自身的缺点,当图像前景与背景光强均值差别不大或待分割目标感兴趣区域灰度不一致时,效果不佳。因此将先验形状信息引入活动轮廓模型中成为一种可行的途径。而传统的基于先验形状信息的分割方法要求先验形状信息必须与目标轮廓有相同的位置、大小、角度,这在实际应用中很难满足。针对这些问题,本文设计了一种新的基于形状先验的水平集分割方法。论文的主要工作有：1.将边界特征和区域特征相结合,使得区域和边界特征同时影响曲线演化；并且在模型中引入形状先验信息,构建了新的曲线演化能量泛函。2.构造了新的相似性度量进行形状匹配,考虑了形状模板的位置和大小,这样保证了图像分割的平移不变性和尺度不变性；对于部分遮挡的图像也可以得到理想的分割效果；另外,匹配得到的模板还用于初始轮廓线的生成,以便于轮廓曲线向感兴趣区域收敛。通过与传统分割方法进行对比实验,结果表明该方法具有较好的分割效果和较高的准确率。3.设计开发了一套分割算法评价系统,该系统可以执行不同分割算法,并通过不同的评价标准对实验结果进行分析对比和评价。在Weizmann图库、行走中人的系列图集以及腹部CT图像三个数据集上进行实验,对本文提出的新模型和传统模型的实验结果进行对比和评价,结果证实了新模型的有效性。