图像分割是从图像处理到图像分析的关键技术，是图像理解的基础，也是计算机视觉领域中的最基本和最关键问题之一。所谓图像分割是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。图像分割也是图像视觉分析和模式识别的基本前提，同时它也是一个经典难题，到目前为止没有一种适合于所有图像的通用的分割算法。　　 基于Snake模型的图像分割是一种高效的图像分割技术。它能够有效地利用局部与整体信息，实现目标边界准确定位，保持线性光滑。它是一个充分利用高层信息的自上而下的处理过程，通过它来提取感兴趣的目标的特性快捷而有效。正是由于Snake模型的这些特点及深刻的理论背景，它一经提出就成为计算机视觉研究的热点。本文首先对图像分割的目的、意义及发展现状等进行了综述，在此基础上对基于Snake模型图像分割技术进行了介绍和分析，包括Snake模型的产生背景、理论、算法实现和优缺点等方面。论文主要研究并实现以下几个方面的内容：　　 第一是：针对Snake模型图像分割技术的研究现状进行分析。　　 第二是：详细的分析了传统的Snake模型的原理，推导过程，数值计算并分析优缺点，同时对几种改进的模型——Balloon模型，GVF模型，Level Set模型算法分析以及通过试验分析算法的优缺点。　　 第三是：针对Snake模型中参数的取值直接影响着分割的质量和效果，对参数的选取方法进行了研究。本文中针对模型计算中存在的参数选取困难导致算法收敛慢及误差大等问题，引入自适应算法实现图像分割参数自动选取，并通过算法的改进，进行处理图像，提高图像分割的效率。同时对其它的几种参数选取的算法——贪婪算法、动态规划算法、遗传算法进行了分析，分析比较了几种参数选取的算法优缺点。最后，设计简单的系统把算法应用于不同的模型，并给出了实验结果及分析，说明自适应算法的可行性和实用性。