医学图像分割是正常组织和病变组织的三维重建、结构分析、运动分析等后续操作的基础，分割的准确性对医生判断疾病的真实情况并做出正确的诊断至关重要。由于人体解剖结构的复杂性、组织器官的不规则性以及个体之间的差异性，加之成像质量受到多种因素的制约，使得医学图像的分割成为一个难点。MR图像中经常出现区域灰度的不一致性、伪影、弱边界、边界断裂等情形，用传统的方法分割图像效果并不理想。Snake模型通过参数化的活动轮廓线，在由先验模型和图像数据构成的能量函数的驱动下变形，直到抵达区域的边界，该模型既承载了上层先验知识又融合了图像的底层特征，因而能有效地应用于医学图像的分割中。　　 本文首先对医学图像分割的现状作了详尽的综述，主要介绍了常用的医学图像分割方法。第二章分析了参数活动轮廓模型的理论基础，详细阐述了其数学模型及数值实现方法，通过实验说明了传统参数活动轮廓模型分割图像时存在的对初始位置敏感以及无法进入深度凹陷部位的两大问题，并针对这两大问题，介绍了Snake模型的一些经典外力改进方法。第三章介绍了Snake模型外力改进算法中经典的梯度矢量流算法，包括数学理论基础、数值实现方法及其仿真实验，分析了GVF Snake模型存在的不足，介绍了XU的广义的梯度矢量流模型和其他相关改进算法。　　 第四章首先介绍了热扩散及各向异性扩散的基本思想，传统的梯度矢量流模型基于各向同性扩散，在图像分割时容易产生边界模糊现象，同时在弱边界处易产生泄漏。此外，传统矢量流模型中保真项系数较慢的下降速度也弱化了初始曲线进入凹陷部位的能力。针对这些问题，提出一种新的改进办法，该方法采用八方向各向异性扩散策略以保持目标边界的强度和细节信息，并且采用具有较快下降速度的保真项系数来增强Snake进入凹陷部分的能力。实验表明，新方法能比较准确地分割出目标凹陷部分，对于弱边界泄漏具有更强的鲁棒性。　　 第五章介绍了高斯混合模型及EM算法的基本理论，针对传统梯度矢量流模型的弱边界泄漏和抗噪性弱等缺点，提出一种有效的解决办法，该方法从“识边缘”到“保边缘”两方面对GVF算法进行改进。引入高斯混合模型，通过计算各像素点对应各类别的隶属度，构造图像的隶属度矩阵，以其隶属度矩阵的梯度作为新的边缘梯度映射，有效地识别并估计噪声、伪影、弱边界干扰下的目标边缘；“保边缘”方面，运用加权扩散的方法控制GVF模型的扩散行为，边缘处采取相干增强扩散以保留目标边缘强度及结构特征，目标内部采取GVF扩散来增强平滑效果。实验表明，所提出算法不仅分割效果好，同时对于噪声的敏感程度得以大大降低。