医学图像容易受到各种内外因素的干扰,使得图像具有复杂多样性,原始的医学图像通常包含灰度不均、弱边缘、高噪声、多目标等多种问题,使用传统的图像分割算法难以进行有效分割。而水平集(LSM)凭借其算法复杂度低、易于拟合其他算法等优势,引起了很多研究者的关注。水平集算法被广泛地应用到图像分割领域,但是在处理复杂医学图像的过程中,水平集算法也会出现稳定性差、鲁棒性差、计算量大等一系列问题。本文针对医学图像存在的不同问题,对水平集方法进行多种改进与拟合。主要研究内容和成果如下:1、介绍了水平集分割算法中要用到的数学方面的知识,包括偏微分方程的概念、偏微分方程的求解、变分的定义、Euler-Lagrange方程、梯度下降流等知识。对水平集基本理论中的曲线演化问题做了相关研究,通过对水平集基础知识的学习,进一步了解了水平集的基本模型。2、针对医学图像含有高噪声、多目标、难分割的特点,提出了基于小波去噪和双水平集的脑部MR图像分割模型。对于医学图像中存在较大噪声伪影的问题,引入小波变换来去除噪声,对图像进行预处理。多相CV模型虽然可以对多目标图像进行分割,但分割速度慢,在DCV模型的能量函数中增加能量惩罚项,改进传统DCV模型来对经过小波去噪后的图像进行分割,最终实现对高噪声、多目标图像的分割。3、针对医学图像中存在的噪声、灰度不均等问题,提出了基于形态学和改进型水平集的图像分割算法。利用形态学重建算法降低图像噪声,对图像进行预处理。将偏移场信息加入能量函数中对双水平集模型进行改进,解决图像灰度不均的问题。利用改进后的模型对预处理后的图像进行分割,可以很好的分割灰度不均的医学图像。4、编写了医学图像处理系统,它的软件环境既可让开发员在M文件中进行算法编译对其进行改良并完善用户界面;同时也可以让大部分用户直接在GUI界面上进行操作,人机互动性很好。