随着信息与科学技术的迅速发展,在各个工程技术领域(如军事、医学等)中出现了大量的数字图像(如造影图像、遥感图像等),如何从大量的图像信息中提取出有用信息成为了图像处理技术的一个重要研究热点。大脑是人体的重要器官,其中颅内脑干的功能主要是维持个体生命,包括心跳、呼吸、消化等重要生理功能,均与脑干的功能有关。因此研究颅内脑干区域的分割技术对于颅内脑干三维重建、脑干毗邻血管、神经的研究以及临床脑部疾病的诊断均有着重要意义。水平集方法是一种重要的基于偏微分方程的图像分割方法,其主要思想是采用更高维的空间进行曲线演化,可以很好的处理曲线的分裂和合并,可以通过能量泛函最小化来获得水平集函数的演化偏微分方程,此方法也称为变分水平集法。本文以水平集理论为基础,首先介绍图像分割的经典方法及水平集的相关数学理论,重点研究了几个比较经典的主动轮廓模型,分析了各个模型的适用场合及优缺点。本文针对Li模型的边界指示函数进行了相应的改进,提高了模型的演化速度。通过大量试验研究边界水平集模型和区域水平集模型,发现仅仅利用区域信息,不能精确定位图像目标的边界,仅仅利用边界信息,模型的抗噪性能和速度有一定的欠缺,因此充分利用边界信息和区域信息不但可以更准确的定位边界,还可以提高模型的速度和抗噪性能。因此本文融合了基于边界和区域的水平集模型的优点,提出了一种基于边界和区域的混合模型(简称DR-CV模型)。DR-CV模型充分利用了图像的边界信息和区域信息,具有对初始轮廓位置不敏感、抗噪能力强、分割速度快、边界定位准确等优点。通过把新模型应用到颅内MRI和血管增强CT复杂图像的脑干分割中,并与其它方法对比发现DR-CV模型分割效果最好,且在模型的速度、边界定位的准确性、抗噪能力方面都有一定的优势,通过求取颅内MRI病例中随机八张病例的脑干DSI(分割相似系数),实验结果都在90%以上,DSI平均值为95.32%,可见分割效果较好,为对颅内脑干三维重建的进一步研究奠定了基础。