图像分割已经成为一种重要的图像分析技术。在对图像的研究和应用中,人们往往仅对图像中的某些部分感兴趣,这些部分常称之为目标或者前景,对应图像中特定的、具有独特性质的区域。为了辨识和分析图像中的目标,需要将它们从图像中分离提取出来,进一步测量和利用。作为图像分析与图像理解的基础,图像分割是计算机识别领域中最基本、也是最困难的问题之一。现有的图像分割算法各有千秋,这些方法都是针对特定图像提出来的。由于图像的多样性和复杂性,目前还没有统一的分割实现方案。通过分析国内外图像分割领域的研究现状和发展趋势,本文整理、归纳和总结了一般的图像分割理论、方法,对基于动态轮廓的分割算法进行了深入研究,重点研究适用于分割灰度分布不均匀的非同质特性图像的动态轮廓模型。Chan-Vese(C-V)模型是最经典的动态轮廓模型,建立在边界演化理论和水平集方法基础上,通过动态轮廓不断演化来检测图像中的目标,轮廓能够在期望的边界处停止演化,演化的动力来自动态轮廓内部和外部的全局灰度统计信息,是一种基于区域信息的算法。该模型的显著特点是,待检测目标的边界不用通过梯度来定义,降低了模型对图像中噪声的敏感度,分割效果较好,但C-V模型在分割非同质特性图像时容易出现误分割。为改善C-V模型在分割非同质特性图像时出现的误分割问题,本文提出一种局部特性函数,用来限制轮廓演化所依据的统计信息参考范围。并将其引入到动态轮廓模型中,依据轮廓上各点的局部内部和局部外部统计信息来演化轮廓,构建由局部灰度统计信息驱动的动态轮廓模型。仿真实验表明,通过改变轮廓上各点演化趋势的参考信息,新模型在分割非同质特性图像时,轮廓能在期望的目标边界处停止演化,得到理想的分割结果。