医学图像分割是进行医学图像分析与计算机辅助诊断(CAD)的重要前提。肝脏组织的准确分割是肝脏疾病诊断和制定手术计划的先决条件。但是受腹部解剖结构复杂等因素的影响,加大了肝脏分割的难度。因此肝脏分割算法的研究对医学图像分析和临床诊断具有重要的研究意义和应用价值。本文在参考和吸收大量的图像分割前沿成果的基础上,建立了肝脏统计形状模型。在形状对齐过程中针对MDL方法存在采样不均的问题,提出了一种自适应采样法对MDL方法进行改进。该方法巧妙地将粒子系统与原始MDL方法进行结合,使得在密集的区域能够获得更多的采样点集,而在稀疏区域获得相对较少的采样点。针对水平集方法分割效率低和对初始边界要求较高的问题,提出了将水平集方法和统计形状模型相结合进行图像分割的新算法。该算法将肝脏平均形状缩小一定比例后置于待分割图像的内部作为零水平集曲线,根据改进的水平集方法进行水平集演化以进行肝脏分割。即首先使用大量训练样本构造肝脏的统计形状模型,利用隐含函数表示此模型先验形状的变化,然后引入能量函数作为形状模型的先验形状项,使得形状模型和演化曲线的距离达到最小,对全局形状进行了一致的隐含曲面约束,同时保持了水平集描述的局部形变的特性,达到精确分割的目的。通过对肝脏训练和测试数据集的实验验证,对结果进行了分析与评价,证明了本文算法在解决水平集函数对初始轮廓位置敏感和目标分割边界光滑方面具有较好的性能,有效地避免了过分割和漏分割的现象。同时该算法比经典水平集算法演化速度快3-4倍,提高了分割效率。