相似图像组分割是一种从多张具有相似性特征的图像中提取出相似部分的技术。它是在单张图像分割技术的基础上发展壮大的,并且广泛应用于医学影像、遥感图像、视频序列、人工智能等。与单张图像分割相比,相似图像组分割能利用多张图像间的特征相似性,更精确高效地分割出目标区域。因此,相似图像组分割技术被越来越多国内外研究者所关注。近些年,众多研究人员对相似图像组分割技术进行了深入地分析与研究,提出了各种各样新颖的分割模型和算法。本文主要研究形状相似图像组分割技术,并且深入研究了组相似活动轮廓模型(ACGS),根据该模型的缺点提出了相应的改进模型。ACGS模型无法有效分割灰度不均匀图像组并且对初始轮廓位置敏感。针对这些问题,本文第三章提出了不均匀性嵌入式组相似活动轮廓模型(InH-ACGS)。该模型结合了ACGS模型和不均匀性嵌入式活动轮廓模型(InH_-ACM),同时考虑了图像的灰度、纹理和形状的特征,能有效分割灰度不均匀的图像组,处理图像中的误导信息。在初始轮廓的设置上,我们采用了在GB显著图上自动定位初始轮廓的方法,克服了原模型对初始轮廓位置敏感的缺点。另外,所提出模型还修改了平衡灰度一致性能量和纹理一致性能量的权重。第三章实验结果表明,相比ACGS模型和InH-ACM模型,我们的模型在分割精度和收敛速度上都有优势。针对彩色图像组分割问题,本文第四章将第三章的标量InH-ACGS模型扩展到彩色空间,提出了用于分割彩色相似图像组的向量模型。为了获得更加精确的分割结果,我们通过纹理特征的引入、颜色空间的选择等改进原模型。该向量模型应用于HSV颜色空间,同时考虑图像组的色调、饱和度、亮度、纹理及形状特征。在分割彩色图像组时,相比标量模型,向量模型能明显提高模型分割精度。另外,采用多分辨率分割方法,可以加快算法速度,并且在一定程度上,降低了在GB显著图上定位初始轮廓错误而导致收敛到局部最优的概率。