医学图像分割是目前图像分割研究领域中非常活跃的一个分支，其目的是通过提取分割目标的特征，把感兴趣的图像区域从周围环境中分离出来。医学图像分割的结果直接关系到临床诊断效果的好坏和治疗的精度；分割的速度关系着能否符合临床实时需求，为临床医生提供实时的交互手段；算法的鲁棒性直接关系着在复杂的临床环境下，能否保持其分割精度和可靠性；自动化程度则直接关系着算法在实际临床中应用的效率，也是对精度可靠的保障。本文在充分研究水平集算法和分水岭算法的基础上，针对传统水平集方法和分水岭算法在医学图像处理时的优缺点进行算法研究和改进。提出一种快速的水平集算法和改进的分水岭算法，使其在医学图像分割上取得更好的效果。首先，通过对分水岭算法的研究，针对分水岭算法在医学图像分割上存在的过分割问题严重和对噪声敏感的缺点。提出一种改进的分水岭算法，使其在医学图像分割上取得更好的效果，有效的解决过分割问题严重和对噪声敏感的缺点。其次，对现有的几种水平集算法模型进行分析比较，找出运行效率和分割结果总的来说效果最好的一种水平集算法LBF模型，通过改变核函数的方法对LBF模型进行改进，大大加快LBF模型的运行速度，得到一种快速的改进的LBF模型。最后，针对LBF模型的分割结果受初始演化曲线的影响较大的特点，本文从分水岭分割得到的分割结果中提取最大连通区域作为LBF模型的初始演化曲线，将分水岭算法与水平集算法结合起来对大量医学图像进行分割。实验验证了该算法的可行性，并通过对其运行效率和分割结果进行分析，该算法有效解决了初始演化曲线的选择问题，使分割结果固定的同时也能取得不错的分割效果。同时，因为不需要对初始演化曲线进行人工选取，所以算法的自动化程度得到显著的提高。