图像分割是计算机视觉领域中一个重要的研究方向，是进行图像分析和图像识别的前提。主动轮廓模型改变了传统图像分割的思想，它在进行图像分割的过程中结合了先验知识，吸引了大量研究者的目光。其中梯度矢量流主动轮廓模型（Gradient Vector FlowSnake，GVF Snake）是众多研究成果中十分重要的一个，它改进了主动轮廓模型的外力场，扩大了捕捉范围，并能够使轮廓进入凹陷区域。但是梯度矢量流主动轮廓模型仍然存在一些缺陷，本文的研究工作主要针对改进GVF外力场展开，通过改进扩散算子而获得更优秀的外力场，提高GVF Snake模型的性能。　　 本文提出了两种全新的外力场：流形上的梯度矢量流（Gradient Vector Flow over Manifold，GVFOM）和法线方向有偏的梯度矢量流（Normally Biased Gradient Vector Flow，NBGVF）。GVFOM是将欧氏空间中的梯度矢量场表示在二维流形中，从而把矢量场中的两个分量耦合在一起进行扩散得到的。梯度矢量场中信息是由两个分量共同作用反应出来的，因此，与GVF模型相比，GVFOM的处理方法更加符合实际情况。NBGVF引入法线方向有偏的各向异性扩散算子代替GVF中的Laplacian算子进行扩散产生外力场，利用各向异性扩散的优良特性改进外力场，使其能够保持弱边缘并且能够进入狭长的深度凹陷区域。本文通过弱边缘保持，狭长深度凹陷收敛的实验展示了新外力场对于GVF外力场的改进，并通过真实图像的实验说明GVFOM和NBGVF外力场的综合性能优于GVF外力场。