医学图像分割是医学图像处理、分析和理解的关键技术，其分割结果为后续的医学图像配准及三维重建提供基础数据集，近年来大量的学者都对医学图像分割的研究与应用给予了高度重视。但总的来说，目前的医学图像分割模型还存在着分割精度不高、实时性及自适应性达不到要求等缺陷。　　作为一种基于曲线演化理论的分割方法，主动轮廓模型方法通过构造能量泛函将低层图像数据和高层信息有效结合，然后通过求解泛函极值实现分割图像，最有希望形成图像分割的统一模型和框架，已经成为图像分割的一个重要分支。本文从医学图像分割的研究背景出发，在几何主动轮廓模型(即水平集方法)框架下，以静止医学图像作为研究对象，试图从降低分割结果对初始曲线依赖程度；完善图像特征描述以期获得更好的分割效果；优化演化速度和停止条件避免弱边缘泄漏等几个方面改善现有水平集图像分割方法的分割效果。本文的主要工作集中在以下几个方面：　　（1）综述了医学图像分割现有的理论和方法，介绍了主动轮廓模型的基本理论及水平集求解方法，为后面章节的研究做铺垫。　　（2）提出一种层次化水平集图像分割方法。该方法在图像域中交替地生成嵌套子区域并在其中演化曲线，当嵌套子区域的面积为零时实现对图像的完全分割。层次化水平集方法使用一个水平集函数在多个嵌套子区域中逐次地分割图像，该方法可以检测到更多的内边缘，分割结果不依赖初始轮廓曲线。　　（3）设计了一种改进的基于局部区域特征的主动轮廓模型。该方法针对经典的C-V主动轮廓模型存在的问题，将局部灰度均值、边界指示函数和距离正则项引入模型中，提高了模型对图像的分割精度和效率。　　（4）通过对常见医学图像的分割实验，验证了本文模型的有效性。　　最后，本文对未来进行了展望，指出了今后需要继续研究和完善的方面，同时指出了几个有希望和前途的探索领域和方向。