图像分割是计算机视觉和图像处理研究领域的重要问题之一,分割结果对后续的图像分析以及理解起着关键性的作用。在自然场景中,由于成像设备和环境的原因,造成图像存在噪声、灰度不均匀、边缘模糊、纹理结构不清晰。在分割此类图像时,传统的分割方法往往得不到理想的分割结果。近年来,基于活动轮廓模型的RSF(Region-Scalable Fitting)图像分割算法得到了广泛的应用。但由于RSF模型存在对初始曲线的位置选择敏感、易造成图像边界模糊、且曲线演化容易陷入局部最优等问题,从而限制了RSF模型在实际中的应用。故进一步探索这些问题并提出解决方案,其实际意义重大。本文以灰度不均匀、边缘模糊、存在纹理结构的图像为研究对象,针对RSF模型对这些图像分割存在的不足展开研究,具体的工作内容及研究成果如下：1、RSF模型在分割弱纹理、弱边缘图像时,对曲线初始位置选择很敏感,优化易陷入局部极小导致演化速度缓慢。本文将全局Grumwald-Letnikov(G-L)分数阶梯度融合到RSF模型中,增加了全局的分数阶梯度拟合项,以增强灰度不均匀和弱纹理区域的梯度信息,从而提高对曲线初始位置选择的鲁棒性,并提高图像分割的速度。另外,通过研究不同阶次α对分割结果的影响,得出能实现正确分割的阶次α是在0～1之间的区间段。理论分析和实验结果均表明,提出的算法可以用于灰度不均匀和弱纹理区域的图像分割,能解决RSF模型对曲线初始位置敏感问题,且能缩短分割时间,提高分割效率,并对噪声图像具有一定的鲁棒性。2、RSF模型在演化过程中存在模糊边界问题,并且融合G-L分数阶之后人工选择合适的分数阶阶次费时费力。本文首先通过利用双边滤波器替换局部拟合项的高斯核函数,增强保边性能,避免高斯核函数在演化过程中造成边界模糊,从而提高RSF模型的边界定位能力。然后根据图像的梯度模值和信息熵构建自适应分数阶阶次的数学模型,并计算出最佳分数阶阶次。理论分析和实验结果均表明,提出的算法可以用于灰度不均匀和弱纹理区域的图像分割,并能根据图像的特征自适应计算最佳分数阶阶次,从而缩短分割时间,避免陷入局部最优,提高分割效率。