图像分割的目的就是为了把图像按照一定的规则分割成若干个有特定性质的区域并把感兴趣的目标提取出来。近年来,随着模式识别技术的迅速发展,吸引了众多的研究者的注意。并且随着图像处理技术的日趋成熟,数字图像分割在临床医学中的应用越来越广泛。但由于医学图像复杂多变的特点,传统的研究方法很难实现准确的分割。学者也提出了很多不同的模型,比较突出的是主动轮廓模型。Kass等人在1987年提出了主动轮廓线(Snake)模型,已经广泛应用于图像处理的各个领域,如图像分割,边缘检测和运动跟踪等。本论文对传统的主动轮廓模型进行了系统研究。然后分析并研究了基于GVF Snake模型的医学图像分割方法。GVF Snake模型相比于传统的Snake模型较好解决了传统snake模型难以解决的两个问题:1对初始化轮廓线非常敏感;2在分割图像的凹陷部分时不能达到理想的效果。但是如果分割的图像边界非常不规则或者有比较狭长部分,GVF Snake仍然不能很好的收敛到目标轮廓,因此本文首先在图像分割之前引入Perona-Malik模型,增强图像边缘的同时减弱噪声,使定位更加准确。然后针对GVF Snake的一些缺点进行了修改,提出一种自适应图像边缘结构GVF Snake。这种自适应图像结构GVF Snake模型很好的考虑了具体图像的边缘结构信息。因此和GVF Snake相比较本文改进的方法具有更好的收敛效果。三维序列图像的分割是建立在在二维图像分割的基础上,因此二维图像分割的好坏直接决定了三维图像分割的效果。本论文基于三维图像平滑、连续的特性,在三维医学序列图像分割中采用预测结合块匹配法优化主动轮廓模型的初始化位置,并采用了本文改进的自适应图像结构GVF Snake。实验结果表明,与以GVF Snake为基础的三维医学序列图像分割相比,把本文改进的GVF Snake方法引入到三维序列图像分割中,可以有更加理想的效果,尤其是在分割图像变化比较显著的图像序列时,本文改进的方法显著的提高了分割的准确性。