图像分割是计算机可视化和图像分析的重要分支，传统且具有挑战性。在实际的应用中，图像分割是图像处理的基础，图像分割的效果直接关系到图像分析、识别等的准确性，对图像后续的分析、检测、辨别等具有重要的作用。因此，图像分割在实际应用和理论研究领域都具有广泛的关注度。基于偏微分方程方法由于其在数字计算方面的灵活性，使得该方法在离散化时可得到稳定的结果，使其在图像分割、图像恢复等方面得到较好的效果。但偏微分方程的方法在求解时，需要给定一个初始条件，而且在求解的过程中需要进行大量计算。因此如何提高偏微分方程方法的准确度和速度成为一个研究热点。本文首先阐述了本课题的的研究目的和意义，现有的比较典型的图像分割方法，并简要说明了活动轮廓模型和水平集方法的基本原理和应用。然后，通过对CV(Chan-Vese)模型及改进算法的分析，提出两种新的分割方法：(1)一种结合区域梯度的自适应CV模型：在区域梯度算法的基础上，引入自适应权重项对拟合中心进行加权计算，并通过实验证明了该模型对初始轮廓选取位置具有更好的鲁棒性。(2)基于Otsu和改进CV模型的图像分割算法：通过对二维Otsu算法和CV模型的分析，将二维Otsu算法与改进的CV模型相结合，提出一种新的分割方法，并通过实验验证了这一方法的有效性。最后，简要总结本文的工作并提出进一步的研究方向。