图像分割是数字图像处理过程最为基础和重要的环节,也是图像视觉分析和模式识别的基本前提。图像分割就是将图像分离成互不相交的子区域并提取出我们感兴趣目标的过程。由于图像与我们生活的密切相关,使得图像分割一直都是国内外学者研究的热门领域,到目前为止出现了数千种的分割方法。但是,往往由于图像成像设备、观测角度、光照条件、复杂背景等影响因素使得图像的分割并没有出现一种适用于所有图像的分割方法,仍然面临着巨大的挑战。本文以灰度不均匀、弱边缘、低对比度信息以及偏移场图像的分割作为出发点,构建了基于水平集和概率统计模型的图像分割算法。在文章的第三章中提出了一种基于复合形式的符号压力函数的水平集活动轮廓分割新模型（CSPF）。与以往的这种类型的模型相比较,新模型中的符号压力函数包含三个子项:基于作差图像的细节信息项、基于乘积图像的整体结构信息项以及基于原始图像的局部信息项。将三幅图像的不同特性整合到新的模型中,可以选择性的利用三个不同方面的信息去处理弱边缘、噪声以及灰度不均匀图像。另外,模型中将长度项和距离正则项引入到水平集公式中,确保了计算的精度、避免了水平集函数演化过程中重新初始化的时间花费。实验以及与几种经典分割模型的对比证明了提出模型对于初始化的鲁棒性,并取得了令人满意的分割效率和结果。针对存在偏移场、低对比度信息图像（尤其是MR图像）的分割难题,提出了基于局部高斯乘法分量的概率分割模型（LG-MC）。提出的模型可以同时实现偏移场的估计和图像的分割。模型构建的想法是利用观测的图像可以被分解为乘法分量的性质。首先,偏移场的表达式由一系列光滑的基函数给出,要求解的真实图像表示为观测图像和偏移场的函数。然后,构建一个基于局部信息、具有不同均值和方差的高斯概率分布分割模型,通过交替迭代极小化就可以实现图像的分割。与以往的概率分布分割模型不同,提出的模型是基于真实图像的局部信息构建的,因此图像中偏移场带来的分割难题可以被很好的解决。另外,在能量泛函中引入了模糊算子,实现了软分割效果。