由于灰度图像存在信噪比低、纹理特征少、目标区域不明显等特点,因此传统的图像分割算法在灰度图像中往往不能取得精确的分割结果。图像分割结果的好坏直接影响到目标分类、识别、跟踪等后续图像处理的可靠性。水平集图像分割算法具有优秀的拓扑性且该算法能在分割时结合更多的图像信息。针对不同的图像特征,水平集算法可以通过结合不同的能量项达到精确分割的目的。本文在水平集分割算法的基础上,针对灰度图像的特点提出改进的水平集算法,具体的研究内容如下:首先,本文介绍了水平集分割算法的理论基础,并且针对基于区域信息的水平集模型,基于边缘信息的水平集模型与融入全局信息的基于边缘水平集模型这三类经典的水平集分割算法进行仿真分析,比较了每一类算法在灰度图像分割中的优缺点。同时,本文也阐述了两种客观评价指标,严格的表明了分割结果的正确率及误分率,为之后所提算法提供客观的比较依据。其次,本文提出了一种基于模糊聚类的水平集图像分割算法。一方面,该方法通过引入隶属度函数作为变量,避免了原始水平集对阶跃函数、冲击函数的依赖,可以得到更准确的细节轮廓;另一方面,该方法引入新的规则项,突出了图像的轮廓信息,增加了分割结果的精度。同时,针对大脑核磁共振图像中特有的像素点强度非均匀分布现象引入偏置场函数,用来矫正图像中由于像素点变化而引起的区域均值偏差。仿真结果表明,本方法可以准确地分割人脑核磁共振图像。最后,针对引入偏置场函数后水平集分割算法在高像素灰度图像中计算量增大,迭代缓慢的问题,本文提出了一种基于概率统计的水平集图像分割算法。该方法通过引入贝叶斯公式描述像素点的区域分布情况,用全概率公式将这种分布情况与水平集算法相融合,增加了每次迭代后水平集函数演化距离,从而加快了算法的收敛速度。通过对高像素图像的分割,验证了本算法可以有效的减少时间消耗,同时通过对大脑核磁共振图像的分割,验证了本算法维持了原始算法的分割精度。