图像分割是图像理解中的关键技术，同时也是经典难题，自20世纪70年代起一直得到人们的广泛研究。近年来，应用偏微分方程的图像分割方法凭借可以建立连续的数学模型、成熟的数学理论基础、高度的灵活性等传统分割方法所无法比拟的优势，成为图像分割领域的热点研究课题。　　 本文针对主流的偏微分方程图像分割模型进行了研究与改进；将偏微分方程与传统分割方法相结合提出改进算法，并将提出的算法应用于肉品图像分割。主要研究成果如下：　　 (1)针对分水岭变换存在过分割及对噪声敏感等问题，提出了改进的分水岭变换。首先分析了梯度矢量流的扩散机理，提出一维梯度矢量流，并利用一维梯度矢量流扩散梯度图像，得到更适合分水岭变换的梯度图像；然后使用扩展最小变换进一步对变换的图像进行预处理，以进一步减少伪极小值。改进的分水岭有效地抑制了过分割现象，缩短了区域合并的时间。　　 (2)为了解决测地线活动轮廓(GAC)模型收敛速度慢，对轮廓曲线初始位置敏感等问题，本文提出了嵌入区域信息的快速GAC模型。在GAC“能量”泛函基础上，加入区域统计信息，提高模型的自适应性；采用B样条连续参数函数构造水平集，通过B样条连续参数函数求解“能量”泛函，降低计算复杂度。实验结果表明：改进的GAC模型只需较少迭代次数就可得到优于前人方法的分割结果。　　 (3)基于水平集的C-V模型采用两个具有不同均值的分块连续区域分割图像，在迭代过程中，为了约束水平集保持为符号距离函数须对其进行重新初始化，大大增加了计算量。为此，通过加入边缘检测函数和惩罚项因子，提出了改进的C-V模型，并用于牛肉眼肌图像，同时与其它分割方法进行对比分析：改进的C-V模型能很好的分割出肌肉和脂肪区域，加快了曲线演化速度。