乳腺癌是严重危害女性身心健康甚至危及生命的常见恶性肿瘤之一，因此，乳腺癌的早期发现和早期诊断对于降低死亡率﹑提高生存率起着至关重要的作用。在乳腺CAD系统中，肿块检测的重要先前步骤是乳腺肿块分割，分割结果的好坏直接影响到肿块的分类和检测。本文首次将全局最优活动轮廓(Global minimum active contour,Gmac)模型应用到乳腺肿块分割上，并提出了基于Gmac模型的三种改进算法：改进的变分水平集法﹑改进的对偶方法、改进的splitbregman方法。改进的策略为：通过以图像信息（如各目标区域的平均灰度﹑面积，距离等）为变量设置函数f1，在灰度值大于低阈值的区域中选择f1值最大的可疑目标区域，得到了一个可疑目标区域，称此区域为“粗选择”区域；进一步，设置粗选择区域的图片信息函数f2，在灰度值大于高阈值的区域（位于粗选择区域的内部）中选择f2值最大的可疑目标区域，得到一个更精细的可疑目标区域，这一区域称为“细选择”区域；建立了两个实验参考标准：面积比值、区域边缘点距中心最远﹑最近距离差，得到了最佳目标选择区域。选取483幅医学乳腺肿块图片进行了分割实验，得到了三种改进算法（变分水平集法﹑对偶方法和split bregman方法）的CM均值分别为64%﹑74%和76%；AMED均值分别为4.4750﹑1.6961和1.4602。结果表明：splitbregman方法对乳腺肿块进行了更有效的分割。本文也利用经典的ACWE模型和GAC模型对上述乳腺肿块图片进行了分割实验，与基于Gmac模型的改进splitbregman方法相比，结果表明：提出的splitbregman方法具有全局最优解，实现了更好的分割性能。