图像分割是医学图像分析、配准、融合、分类检索以及医学图像计算机辅助诊断系统在临床上得以实现的理论基础，是医学图像领域非常重要的研究课题，对疾病的准确诊断具有重要的意义。
　　本文在论述图像分割研究现状和水平集方法理论的基础之上，从提高多灰度级和亮度不均匀两类图像的分割准确率的角度出发，对医学图像分割算法进行了一系列的研究。
　　由于医学图像的结构复杂性，图像的不同部分呈现出不同的灰度，极易造成图像分割的错误。针对这种由图像多灰度级所引起的错误分割问题，本文提出了一种基于图像边界信息和区域信息的模糊水平集分割算法。该算法结合了模糊C均值聚类模型的优点，按灰度级对目标进行划分，提高了分割的准确性。同时，算法对水平集的能量函数作了改进，消除了重新初始化过程，解决了重新初始化所带来的计算量大和过程复杂等问题。在MATLAB仿真环境下，进行仿真得出结果并对结果进行比较和差异性评估。仿真实验表明，本文提出的基于图像边界信息和区域信息的模糊水平集分割算法对图像弱边界以及深度凹陷区的分割效果有明显的改进，提高了多灰度级医学图像分割的准确率，具有一定的实用性和有效性。
　　由医学成像设备和手段的差异性所引起的图像亮度的不均匀性也会造成图像分割错误。针对这种由亮度不均匀而引起的错误分割问题，本文提出了一种结合混合核函数的水平集分割算法。该算法对水平集方法进行改进，加入混合核函数可以对不均匀的亮度进行持续补偿，使得对图像像素点分类更加准确，同时，在分割过程中考虑到图像的局部特性和全局特征，有效提高了分割的速度和准确性。通过实验对比和差异实验评估方法证明了所提出算法可以有效地提高亮度不均匀的医学图像的分割准确率。
　　本文最后对研究工作进行了总结，给出了所取得的研究成果和创新之处，并指出今后医学图像分割算法研究的发展趋势。