图像分割是图像领域中的关键技术。图像处理、图像分析和图像理解的首要步骤都是将图像中特定的目标区域从整体区域中分割出来，在此基础上才有可能进一步对目标区域进行处理和分析，从而达到识别和理解效果。而活动轮廓模型因其具有灵活性并且无需前置信息的特点已经广泛被应用在图像分割领域，有着广阔的应用前景。　　然而，大部分活动轮廓模型都不能很好的处理灰度不均匀的图像。为了解决这个问题，本文围绕着基于活动轮廓模型的图像分割方法展开研究，介绍了活动轮廓方法的基本原理，详细分析了各种模型的优缺点，着重介绍了基于局部区域的活动轮廓模型，并提出了一种改进的基于局部区域的活动轮廓模型方法，具体工作如下:　　(1)提出了一种新的基于局部区域的局域化混合局部高斯活动轮廓模型。对在图像分割中，局域化活动轮廓模型具有很好的正确性效果，然而精确度却不尽人意。而局部高斯活动轮廓模型对噪声处理能力很强，并且不受初始轮廓的选择限制，但是却对细节过于敏感。综合两种模型的优缺点，我们提出了一种新的基于局部区域的活动轮廓模型，在保证分割结果的正确性的同时，提高分割精确度，实验结果表明了改进模型的优越性。　　(2)设计实现了水平集层面的两种优化方法。针对活动轮廓模型水平集方法需要进行重新初始化的问题，通过水平集反应扩散的方法，从而避免了重新初始化步骤，既加快了模型演化，又保证了模型的稳健性。在水平集迭代过程中，使用窄带方法减少计算时间，进一步提高模型的效率。　　(3)采用了一种基于多分辨率框架的优化方案。针对活动轮廓模型演化计算量大的缺点，构造了一组多分辨率图像，并使用本文提出的改进模型进行图像分割，在低分辨率情况下计算复杂度降低，靠近边界的运动幅度提高，减少了迭代的次数，从而加快了活动轮廓模型演化的速度。　　(4)提出了一种新的边界约束的初始条件。对于复杂输入图像，使得输入的初始轮廓不再是一条曲线，而是通过两条初始内外边界曲线构成演化区域，更好的约束轮廓曲线的演化范围，从而可以获得更好的分割效果。