近些年来,随着计算机视觉领域的高速发展,目标追踪与识别,图像处理等技术引起了人们的研究热潮,而图像分割作为图像处理过程中重要而关键的一步,更是计算机视觉的基础,但基于待分割的图像种类复杂难以统一,针对不同领域的图像的特点,要求目标分割的精度高且算法运行时间短,分割方法往往不同。而水平集方法基于动态轮廓模型,将曲线嵌入高一维的空间中,通过求解高一维曲面的水平集函数能量方程的最小值,来达到图像分割的目的。由于水平集方法在演化过程中,曲线的拓扑结构可随意改变,并且每一次迭代算法步骤简单易行,分割效果较传统的算法更为精确因而广泛应用于图像分割当中。而贝叶斯概率模型在很早之前就被引入到水平集能量方程之中,贝叶斯概率的核心思想是将先验信息和样本的似然函数相结合,这样克服了只有先验信息的带来的偏差又避免仅有样本分布时的误差。而本文提出了一种改进算法,首先,将图像的面积信息加入到原来仅有弧长信息作为先验知识的模型之中,因为如果先验信息仅考虑弧长信息的话,会导致分割过程中,演化曲线还未到达目标区域时就因为目标含有锯齿状的边界而停止演化。而在先验信息仅含有图像的面积信息时,不能保证分割曲线的光滑度,因此结合了图像的弧长和面积信息,提高了图像的分割精准度,演化曲线更靠近目标的真正边缘。同时改变了仅有单高斯模型组成的贝叶斯概率模型中的最大似然函数,引入了混合高斯模型,如果目标和背景均服从高斯模型,则会不可避免的出现目标与背景的错检情况,而如果引入混合高斯模型则避免了由单一高斯模型引起的背景与目标的错检率,大大提高了算法在目标的检测效率与分割精度。最后结合这两个改进方法,将面积信息与弧长信息组合而形成的先验信息和背景与目标均服从混合高斯模型两点结合,实验结果表明,这一改进大大提高了图像分割过程中的精准率,并且对于一些分布比较复杂、目标边界比较曲折的图像,分割的效果明显优于基于MAP模型的水平集图像分割算法。