图像处理技术作为一种通过计算机对图像进行数字化处理从而满足对图像各种需求的方法，一直都在被国内外众多学者和研究者不断努力探索、创新和完善。图像分割是图像处理技术的重要环节，它将需要获得的目标通过各种图像算法从图像中分割出来，为进一步的研究工作做出了准备。在多种多样的图像分割算法中，以数学模型中的能量函数作为基本结构的分割算法独树一帜，并且日趋成为一种广泛使用的分割方法，其在分割精度或分割效率等方面较其它算法具有一定的优势。本文主要研究基于能量最小化模型的图像处理技术，重点研究水平集的C-V模型和基于图割理论的GraphCut及GrabCut算法，以及这些算法在数字医学图像和数字抠图中的应用。文章创新点如下：(1)提出了基于图割的水平集函数离散化分割算法。针对水平集C-V模型在迭代过程中存在的容易出现局部极值问题，结合GraphCut算法在能量函数迭代中的优势，将C-V模型的能量函数离散化，转化成符合GraphCut条件的离散能量函数，并给出满足图表达式定理的证明。算法应用于医学图像分割，取得了比C-V模型更好的分割效果，提高了迭代效率。(2)提出了基于HSV空间的改进GrabCut抠图算法。GrabCut算法是基于高斯混合模型的能量函数模型，主要用于数字抠图，算法的初始分割效果依赖于模型的参数设置。改进算法利用图像的HSV空间特征，通过求取图像的主色波形图，计算波峰个数动态设定高斯混合模型的参数，再通过引入迭代能量差值函数优化算法的迭代次数，提高了运行效率。改进算法应用于背景颜色较少的自然图像抠图，取得了比原GrabCut算法更好的分割效果。(3)提出了基于最大类间方差的改进免疫组化图像识别算法。免疫组化图像是用于鉴别肝脏等器官病变的重要依据，最大类间方差法是识别此类图像的常用方法之一。然而该方法在区分阴性区域时容易出现误差，针对此问题本文提出结合图像色度和饱和度分量的优化算法。新算法融合了图像自身的特征信息，可以更好的实现对阳性区域和阴性区域的识别，实验表明本文算法比单独应用最大类间方差法具有更高的分割精度。