医学图像分割是医学图像处理领域的研究热点和难点，它是计算机辅助诊断的一个重要组成部分，在临床诊断、病理分析以及治疗方面具重要意义，其目标是标识医学图像中感兴趣的对象。视网膜视神经病(如青光眼)是由多种原因引起的视网膜及视神经组织病变，最终可能致盲的眼科疾病。此类疾病在世界范围内发病率高，且大多早期无临床征兆，因此早期诊断至关重要。研究表明，彩色眼底照片中视乳头的分割、度量和评估在青光眼疾病的临床诊断和普查中起着非常重要的作用。然而，眼底照片往往质量不好，对比度低，以至部分视盘边缘难以识别，再加上存在血管的遮挡、病人之间的差异等情况，使得病人视乳头图像的分割十分困难，仅仅利用图像本身的信息难以准确分割出视乳头。因此，有必要将视乳头的形状先验知识有效地集成到分割模型，而寻找有效的目标形状先验知识表达方法和集成方法成为解决此类问题的关键。传统的线性统计分析方法只考虑了图像数据中的二阶统计信息，未能利用数据中的高阶统计信息，忽略了多个像素间的非线性相关性，这在一定程度上影响了其效果。本文提出了一种集成非线性统计形状先验的医学图像分割模型，并将其应用于视乳头图像视盘分割中。首先对青光眼专家在青光眼病人眼底照片上描绘的视盘形状用窄带水平集表达，然后在其核空间进行主成分分析，获得核空间的基向量（即形变模式），并定义一个形状先验的约束项（即形状部分的能量函数），将先验知识集成到向量值Mumford Shah模型，得到集成非线性统计形状先验知识的Mumford Shah向量值分割模型。最后，将该模型应用于各时期青光眼病人的视乳头图像的分割。不同时期青光眼病人的视乳头图像分割实验结果表明，该方法能够有效地分割噪声大，对比度小且部分被血管遮挡的各阶段的青光眼病人视乳头图像。