图像分割技术是高级图像处理如图像理解和图像识别的基础，它是将图像划分为多个具有相似性特征区域的一个过程。基于C-V活动轮廓模型的图像分割方法可以利用足够可靠的底层图像特征，同时受到图像高层知识的影响，与传统图像分割方法相比，有着很强的优越性。然而，C-V模型主要利用的是图像的区域信息，对含有异质区域以及复杂背景等不同类型的图像不能很好地进行分割；另一方面，由于C-V活动轮廓模型的计算速度较慢，在实际应用中，还需要考虑到多目标分割问题。因此，对C-V活动轮廓模型的深入研究具有很好的理论意义和应用价值。本文针对基于C-V活动轮廓模型图像分割算法的关键技术进行了深入研究，包括将在模型中考虑更多的图像其它信息以及对图像进行区域划分等。本文贡献主要体现在以下四个方面：首先，针对测地活动轮廓模型和C-V活动轮廓模型分别在较弱边界图像和含有异质区域图像分割过程中存在的问题，提出一种自适应的混合活动轮廓模型，该模型针对待分割图像的不同特性，设计一个自适应的权函数，使C-V模型在图像较弱边界能更多地发挥作用，而测地活动轮廓模型则在异质区域更有效地发挥作用。所提模型能很好地分割含有弱边界和噪声、异质区域以及复杂背景等不同类型的图像。除此之外，还将混合模型应用于矢量图像的分割过程中，并利用彩色图像对所提模型进行了验证。其次，为了充分利用图像的边缘信息和区域信息，提出了基于边缘引导函数的活动轮廓模型，其中边缘引导函数可以精确地控制轮廓曲线的演化，而C-V模型当中的区域信息用来粗略定位目标的边界。另外，分别使用三种不同的边缘引导函数：传统梯度函数、标准梯度函数和小波模值函数来进一步验证提出的模型，同时，对这三种边缘引导函数分别进行了概括性的分析。所提模型能够在较短的时间内进行弱边界和异质区域等复杂图像的分割，具有分割精度高、计算速度快等特点。然后，为了更充分的利用图像更多的细节信息，将图像的频域信息和活动轮廓模型相结合，提出了基于非下采样Contourlet变换的C-V图像分割模型。首先对图像进行非下采样Contourlet变换（Nonsubsampled Contourlet Transform, NSCT），分析方向子带系数的特性，获得图像NSCT变换系数的统计特性并进行概率模型的建立；接下来进行统计模型的逆变换，得到含有不同分辨率的矢量值图像；最后，利用基于区域的C-V活动轮廓模型对上述矢量图像进行分割。所提方法利用了图像的频域信息，可以包含更多的图像细节信息，此外，利用提取出的多维度的细节信息控制轮廓曲线的演化。实验表明，所提方法能够更好地对复杂图像如遥感图像、医学图像等进行分割。最后，针对多目标图像分割的实用性，提出了一个基于区域划分的多目标分割算法。首先，利用高斯混合模型将图像分为多个包含不同背景和对象的子区域；接下来在每个子区域上利用C-V活动轮廓模型进行曲线演化。在演化过程中，由于子区域之间的边界可能会出现模糊或受较强噪声干扰，产生几种不同的情况，为此所提算法考虑了区域之间的合并操作并从理论上加以证明。实验结果表明，所提算法对含有噪声的多目标图像分割具有很好的鲁棒性，另外在曲线演化前首先进行了区域划分，可以提高模型的演化速度。论文前两部分主要是针对图像边界信息和图像区域信息相结合的思想进行的改进工作；而第三部分主要考虑图像的频域信息，将图像频域信息和空域信息相结合，在图像分割过程中更充分地利用图像信息；第四部分主要将活动轮廓模型方法应用于多目标图像分割过程中，算法可进一步应用于交通视频图像分割以及其它实际应用分割中。