医学图像分割是高层次临床诊疗和病理性研究的基础。由于医学图像中存在的灰度不均匀、目标与背景对比度低以及噪声多样等问题,容易导致目标轮廓模糊不清,给医学图像目标区域的分割增加了难度。主动轮廓模型(Active Contour Model,ACM)是一种基于曲线形变的分割方法,闭合曲线的演化由最小化能量泛函导出的速度函数来控制,因其良好的性能,被广泛应用于医学图像分割领域。本文从主动轮廓模型出发,着重研究其外力场的改进方法,针对广义梯度矢量流(Generalized Gradient Vector Flow,GGVF)模型和虚拟电场(Virtual Electric Field,VEF)模型存在的局限性,提出相应的解决方法。主要工作包括:提出了鲁棒的广义梯度矢量流(Robust Generalized Gradient Vector Flow,RGGVF)模型,该模型在原有GGVF模型基础上做了三方面改进:(1)在构建边缘图时引入双边滤波器,双边滤波可以在平滑噪声的同时保证边缘不会被过分模糊,具有更好的滤波效果;(2)用散度算子替代拉普拉斯算子,改变了梯度矢量从边缘区域到同质区域的扩散方式,提高了凹陷区域的收敛能力;(3)添加方向约束函数,使边缘处的扩散是沿垂直于梯度的方向进行而不是跨越边缘方向,于是边缘信息能够得以有效保留。本文对实验结果采用了定性和定量的标准进行综合评估,其中定性实验结果表明该模型相对于其它模型在抵抗噪声、深度凹陷收敛和弱边缘保护方面具有良好的表现,且对普遍医学图像具有良好的分割效果。定量实验结果表明相对于传统GGVF模型,该模型提高了约0.3%的精确率、15.6%的召回率和8.7%的F值。提出了边缘保持的虚拟电场(Edge Preserving Virtual Electric Field,EPVEF)模型,该模型在原有VEF模型的核矢量场中添加了可以改变矢量大小的向量值函数,减少同质区域的像素点对边缘像素点的影响,避免边缘信息被错误地平滑掉,从而使得边缘得以有效保护。在人工合成图像和医学图像上的分割实验结果证明,该模型不仅具有VEF模型捕捉范围大以及计算效率快的优点,还拥有更好的边缘保护能力,更适合于对医学图像紧密相邻组织中目标轮廓的分割。