随着医学影像技术的广泛应用，稳定可靠的医学图像分割和定位方法对分析异常组织解剖结构、病理组织建模、智能辅助诊断、制定治疗计划，手术执行和治疗效果跟踪等方面具有重要意义。相对于自然图像，医学图像中解剖结构形状、大小和位置因人而异，表面属性各不相同。病理组织发展到一定阶段，会产生伴随水肿，水肿会渗透（渗透效应）、形变（占位效应）、覆盖甚至侵占周围的正常组织。在医学图像中，受到噪声、场偏移效应、局部体效应以及组织运动等影响，同一解剖结构内部可能造成不均匀的灰度分布和不同组织器官间形成模糊的边缘。目前，鲁棒、准确、有效的自动分割医学图像内的解剖结构仍是一项具有挑战的难题。近年来，水平集方法在图像处理领域得到广泛研究和拓展。水平集图像分割方法将演化曲线隐含地表示为高维水平集函数的零水平集。算法能够自动适应曲线的拓扑变化，具有强有力的数学理论支撑，可以容易的扩展到三维数据集的处理。因此，具有独特优点的水平集方法成为医学图像分割领域的研究热点。针对不同医学图像的本身特点，水平集方法仍有待进一步深化和完善。本文主要研究了水平集基础理论及其深入扩展的方法，尝试将这些方法解决特定医学图像的分割问题，并取得了如下研究成果：1、提出了混合测地线和区域信息的无需重新初始化变分水平集分割算法。这个分割算法首先采用曲率各向异性滤波过滤噪声，并结合数学形态学方法去除脑部表皮和颅骨，然后构造由区域间灰度差异项、局部测地线项、距离罚度项共同组成的变分水平集能量框架。区域间灰度差异项引导曲线将图像分为区域间灰度差异最小的两个区域。测地线项可以吸引演化曲线向物体边界收敛，减少算法对于区域间灰度差异项的依赖。距离罚度项用来判断水平集函数与符号距离函数的偏差距离，保持水平集函数始终为一个符号距离函数。这个能量函数保证了基于区域的水平集分割方法可以分割具有复杂背景的图像，且可以收敛于目标物体，同时避免了耗时的重新初始化水平集过程。2、提出了基于特征矢量空间的多相变分水平集分割算法。算法运用医学图像的灰度、聚类空间一致性和局部纹理等多种特征构建特征矢量空间，结合多相变分水平集分割方法划分具有多个解剖结构的脑组织空间。局部空间模糊C均值聚类技术用来描述一个聚类空间关系图层，聚类内部灰度一致性的属性减弱了物体内部灰度的不均匀问题。同时，改进的阈值局部二值模式算法及直方图滤波过程用来生成一个纹理图层，用来强化局部纹理特征。在最小化水平集能量泛函的过程中，特征矢量图像转化为多特征图像通道对水平集曲线演化的控制，有效的为曲线演化提供了多种特征信息。3、提出了快速行进水平集的离散优化分割算法。算法依赖于水平集曲线仅沿单向扩散的基础假设和快速行进水平集基本方程作为理论基础。经过分析快速行进水平集方法数值实现过程，构造一个具有边权重的离散网格估计演化曲线到达每个像素点的到达时间，到达时间由适用于稀疏图的优化排序技术-快速最短路径算法估计。使用节点间的梯度函数来描述节点是否位于边缘地带，窄带内节点与前景的灰度差异函数用来描述每个节点属于前景的程度。这种算法可以重复指定前景点进行用户交互，获得有效的分割结果。4、提出了融合图像模型和局部聚类属性的变分水平集分割算法。由于灰度分布不均匀的医学图像不满足基于区域水平集方法的基础假设-灰度分段光滑，基于区域水平集分割算法无法有效分割灰度不均匀图像。针对这类情况，运用图像模型和局部域的聚类属性，将基于整个图像域的分割降低为局部小邻域的图像分割，用迭代方法估计图像的偏差域、聚类均值和纠正后的图像，同时结合观察图像的局部能量和纠正后图像的全局能量共同构造水平集能量框架。这种算法可以在估计偏差域的同时，获得很好的图像分割效果。