图像分割问题是计算机视觉和图像处理领域中的一个基本问题。经过多年的研究和发展,目前已经有大量的算法被提出用于解决这一问题。活动轮廓模型的提出是分割领域的一大突破,基于其严谨的数学理论和自身的优点被广泛的应用于医学图像分割、目标跟踪、边缘检测等。本文主要就是针对活动轮廓模型的分割方法进行研究。在文中首先对活动轮廓模型进行了分类和描述,接着介绍了相关的一些数学理论,然后介绍了一些经典的活动轮廓模型并给出实验结果对模型的优缺点进行了简要的分析。经过分析发现SBGRLS模型不能很好地处理灰度不均匀图像,针对这一点,本文利用差分图像信息对符号压力函数进行重构,从而得到一个基于差分图像信息的新模型。实验结果表明提出的模型与SBGRLS模型相比能够准确的分割灰度不均匀图像与LBF模型相比计算上又更加高效。对CV模型和LBF模型进行研究发现CV模型不能处理灰度不均匀图像和LBF模型对初始轮廓敏感的问题,因此,本文提出了一种新的混合活动轮廓模型。该模型是由一个在CV模型中加入了边界信息的全局项和一个以LBF模型为局部项以及曲线长度项三项组成的。为了避免使用传统水平集方法时进行重新初始化,该模型在实现时利用二值水平集方法,这样不仅避免了重新初始化过程,同时在数值实现上更简单。模型在全局项中融入了边界信息增加了对边界的捕获能力,同时局部项使用了图像局部信息,因此,模型能够同时处理灰度均匀和不均匀图像。实验结果表明与经典的活动轮廓模型相比在处理灰度不均匀图像上得到了较好的结果,同时在对初始轮廓的敏感性上有一定的改善。