图像分割是将图像分割为互不相交、具有独特性质的区域的过程,是计图像场景理解中的关键点,是计算机视觉的基石任务。近年来,随着视觉场景技术的不断深入,图像分割被广泛的应用在医学诊断、自动驾驶、交通系统、增强现实等领域。传统的基于活动轮廓的分割方法可根据图像本身信息演化曲线至目标轮廓上,常用于快速分割具有复杂结构的图像。但是,该方法无法通过学习大量的数据来获取高级特征。随着深度学习的发展,基于全卷积网络的方法被用于理解图像中的关键前景,且可在像素级别上从粗略到精细的学习区域特征掩膜。然而,由于缺乏准确的空间表示和在复杂边界上的先验信息,全卷积网络难以提高对轮廓边缘细节的识别能力。本文针对上述方法在图像分割问题上的困难,结合了测地线活动轮廓理论与全卷积网络模型的优势,提出了一种图像混合分割方法。首先,利用全卷积网络作为混合模型的驱动框架,全卷积网络可分层的提取图像高级特征并生成特征掩膜。然后,基于测地线活动轮廓理论构建可微分的水平集层,通过水平集的演化过程可逐步对多个特征通道上特征掩膜进行优化。同时,将水平集的重初始化和高斯平滑操作整合到水平集的迭代过程中,并封装为独立的水平集层,以实现统一的训练和预测过程。整合后的混合分割模型可基于图像自身信息对特征掩膜进行优化,提出的水平集层也可参与到数据学习过程中。实验的研究结果表明,混合分割方法提高了对图像低级特征的利用率,改善了目标边缘的分割细节,提升了分割评估指标的性能。此外,本文提出的水平集层还可以推广到其他现有的深度分割体系结构中,亦能获得良好的效果。在公开数据集上的实验结果表明,该图像混合分割方法能够显着的捕捉到前景边界的空间细节并提高了图像的分割准确率。