图像分割和边界提取对于图像理解、模式识别、计算机视觉等具有非常重要的意义,是图像分析的基础。目前,在图像分割领域,并没有对各类图像都适用的通用方法。近年来,基于偏微分方程的图像分割作为一种比较新颖的有效的图像分割方法,逐渐成为研究的热点。几何活动轮廓模型(水平集方法实现的活动轮廓模型)已被广泛应用于图像处理和计算机视觉领域中的图像分割问题。本学位论文首先介绍了现有的基于区域的图像分割方法,然后针对CV模型和RSF模型进行了研究,得到如下的结果:1)利用全局信息的Chan-Vese模型对轮廓初始化和噪声不敏感,但不能分割灰度不均一图像。利用局部信息的RSF模型能够分割灰度不均一图像,但对轮廓初始化和噪声很敏感。针对这个问题,提出了一个结合全局和局部信息的区域活动轮廓模型。实验表明,该模型不仅能够分割灰度不均一图像,而且允许灵活的轮廓初始化,抗噪性也较强。2)RSF(Region-Scalable Fitting)模型能够分割灰度不均一图像,但对活动轮廓的初始化和噪声较为敏感。针对这个问题,在RSF模型中添加一个新的水平集线性正则化能量泛函,提出了一个改进的RSF模型。实验表明,该模型能够分割灰度不均一图像,且对初始轮廓的大小和位置不敏感,抗噪性也较强。