图像分割作为图像工程的一项基础技术,在模式识别、计算机视觉以及人工智能等各个领域中具有非常重要的作用。图像分割实际上是一个将图像像素分类到与现实目标相对应的不同区域的过程,完成目标与背景的分离,实现底层数据到高层信息的转化,使得高层次的图像分析、理解成为可能。在过去的几十年里,众多基于不同理论的图像分割方法被提出来,用于实现像素分类的过程。其中,作为一种基于偏微分方程的无监督图像分割方法,主动轮廓模型首先通过构造能量泛函将低层次的图像数据和高层次的语义信息有效地结合起来,然后求解泛函极值实现分割图像,至今仍是学者们备受关注的研究领域,热度不减。经过近几十年的发展,主动轮廓模型已经逐渐发展成为图像分割技术的一个重要分支,具有一系列较为完整和体系化的方法。然而,这些方法采用偏微分方程驱动曲线演化,无法刻画数据、模型和参数的不确定性。此外,目前大多数分割方法都缺少对分割结果的不确定性度量,无法得知输出是否可靠,得到更加精确的分割结果。因此,本文基于随机主动轮廓模型,以随机微分方程为核心驱动曲线演化,提出新的图像分割方法以实现。本文的主要创新点概括如下:（1）针对无法刻画数据、模型的不确定性,以及分割结果缺少不确定性度量的问题,提出一种基于直觉模糊集的随机主动轮廓模型,实现具有低不确定性的图像分割,并且对分割结果进行不确定性度量和分析。1)结合相机噪声模型和大气散射模型来生成随机图像数据,得到一系列具有不确定性的随机图像序列;2)引入直觉模糊集对图像的目标和背景进行软划分,并采用随机微分方程驱动曲线演化,使模型既具有对目标边缘的精确表示能力,又引入随机扰动刻画了模型的不确定性。同时,布朗运动产生的随机扰动,更容易跨过鞍点并迅速收敛到全局最优值,对局部极小值具有很好的抑制作用;3)通过随机图像分割结果的方差和直觉模糊集的犹豫度相乘来度量分割结果的不确定性,对输出结果进行不确定性分析。（2）针对无法刻画参数的不确定性,以及手动调节参数导致耗时耗力的问题,提出一种基于贝叶斯参数估计的随机主动轮廓模型,实现具有自适应参数调节的图像分割,并且对相关参数进行敏感性度量。1)基于贝叶斯的随机参数估计方法,引入图像样本I,得到随机参数向量的后验分布;2)通过马尔科夫链蒙特卡洛方法进一步得到随机参数向量的稳态分布和具体数值,避免手动调参,只需要输入随机参数的高斯分布即可训练出一组合适的分割参数;3)引入非线性的核距离度量去构造能量泛函,更好地处理存在灰度值异常和低对比度的图像。同时,通过方差分解的方法计算相关参数的敏感性大小,用来指导图像分割从而有利于优化参数的选择。综上所述,本文对随机数据的生成、随机参数的估计、能量泛函的设计以及不确定性的度量等方面的内容进行了深入的研究,提出了相应的解决方法,提升了分割结果的精度,提供了研究主动轮廓模型图像分割方法的新思路。