自医学影像应用到临床医学以来，随着数字图像处理技术的发展，医生从不同模态的医学图像中获取信息的内容和方式也发生了变化。从单纯的观察组织结构和解剖结构，发展到利用去噪、分割、配准、分析和重建等图像处理方法对器官组织或病灶进行定位、分割、参数分析以及提取特征等多方面。在从低层到高层的数字图像处理技术中，图像分割是医学图像处理中的关键技术。基于变分水平集方法活动轮廓模型具有便于处理拓扑结构变化、计算精度高、稳定性强等优势。本文对基于变分水平集活动轮廓模型医学图像分割存在的主要问题进行研究，主要研究内容和创新性成果有以下方面:
　　(1)提出一种基于多描述子的活动轮廓模型，有效地解决灰度不均带噪医学图像的高精度分割问题。研究了医学图像局部灰度分布的描述方式，在均值和方差的基础上引入局部熵，提高图像灰度分布描述的准确性。研究了抗噪问题，由多个像素共同确定的局部熵，对单个噪声点不敏感，具有一定的滤波作用。研究了图像的灰度偏移场问题，利用偏移场因子表征图像的全局灰度不均现象。在带噪的医学图像上对算法性能进行了测试，实验结果表明，本章算法的分割精度高于一些传统算法，体现了多描述子方案的有效性;完成分割同时纠正图像偏移场，改善了图像的视觉质量，促进分割精度的提高。
　　(2)提出一种初始化鲁棒的基于图像全局和局部信息的活动轮廓模型，有效地解决医学图像分割中初始化敏感的问题。研究了图像全局信息拟合问题，针对现有全局活动轮廓模型的局限性，定义了分区熵，设计了基于分区熵的全局模型。研究了局部活动轮廓模型的初始化敏感问题，利用基于分区熵的全局信息作为补充以改善局部模型的初始轮廓敏感性。研究了全局信息和局部信息在能量最小化过程中的权重分配问题，使用自适应参数分配方案，在演化初期全局信息主导，加速收敛并防止初始轮廓敏感;在演化后期局部信息主导，保证分割的精度。基于医学图像、人工图像和自然场景图像对算法的有效性和初始化鲁棒性进行了测试。实验结果表明，新算法具有更强的初始化鲁棒性和分割精度，在解决了初始轮廓敏感问题的同时加快了收敛速度。
　　(3)提出一种基于参数水平集活动轮廓模型的医学超声图像快速分割算法，有效地解决医学超声图像分割的实时性问题。研究了算法计算开销大、耗时的问题，设计了参数化水平集函数，克服了传统水平集函数需要附加正则项或重新初始化程序的缺点。研究了水平集方法计算复杂度高的问题，利用参数化水平集函数，在无需提高维度的情况下将拓扑变化自然融入到曲线演化过程中。研究了算法的初始化问题，设计了密集初始化方式，自动获取复杂形状，检测小区域，加快收敛速度。另外，本章算法不受CFL条件限制，可以选择较大步长。实验结果表明，对大量医学超声图像进行分割时，新算法具有较快的收敛速度，优于一些经典活动轮廓模型和复合算法。
　　(4)提出一种基于变分水平集多相脑MRI分割算法，有效地解决了脑图像多相分割问题。研究了脑MRI的多相表达问题，设计了成员函数分别表示脑白质、脑灰质、脑脊液及背景四个区域，保证算法实现多相分割。研究了算法分割精度和抗噪问题，设计了多角度的局部灰度描述方法。研究了图像视觉效果问题，在能量泛函中引入偏移因子，完成图像偏移场的纠正。实验结果表明，新算法成功地实现了脑MRI的多相分割，在分割精度和抗噪性能方面优于传统方法，算法满足临床提出的多相分割、强抗噪性、克服灰度不均保证高精度、实现偏移场估计等四个必要条件。