图像分割是图像处理中的一个重要环节，它的主要目的是对图像中感兴趣的目标进行提取，是下一步进行图像分析和图像解译的基础。随着信息化技术水平的不断发展，图像分割的应用日渐广泛，在现代生活中具有日益重要的地位。基于主动轮廓模型的图像分割技术与传统的图像分割技术相比，具有分割边界完整、能够自然地融入图像附加信息等优点，因此在近年来得到了广泛的应用，并取得了良好的效果，是目前国内外图像分割领域学者关注的重点。本文主要研究了几类较为经典的主动轮廓图像分割模型，经过分析其优缺点，提出了针对这些缺点的改进模型。根据所利用的图像信息的不同，通常可以将主动轮廓模型分为基于边界的主动轮廓模型和基于区域的主动轮廓模型。对于基于边界的分割模型，本文介绍了其中经典的Snake模型、GVF模型、GAC模型和无需初始化的主动轮廓模型。通过对此类模型的研究分析，本文提出了一个结合邻域非一致性测度的主动轮廓图像分割模型。该模型利用了邻域非一致性测度能够对图像的边缘特性进行有效描述同时又具有较强抗噪能力的性质，并对其进行多尺度条件下的测度值取最小计算，使之对于图像边缘特性的描述更为精确且抗噪性能更强。由此，本模型利用多尺度邻域非一致性最小测度值来代替图像梯度构建边缘停止函数，使演化曲线能够准确地停止并稳定于噪声图像的目标边缘处，解决了基于图像梯度的主动轮廓图像分割模型难以对噪声图像进行有效分割的问题，能够对噪声图像进行较好的分割。实验表明，该模型在抗噪性能和演化效率方面都具有一定的优势。同时，本文还介绍了几种经典的基于区域的主动轮廓模型，包括MS模型、CV模型和LBF模型。通过对这些经典模型的研究分析，本文提出了一个结合多种图像信息的主动轮廓图像分割模型。此模型结合了图像的全局信息、局部信息和边缘信息，其中局部信息的利用使该模型能够对灰度不均匀图像进行有效分割；全局信息的利用可以加快曲线演化至目标轮廓的速度，同时避免此模型陷入局部极小值，分割结果达到全局最优；结合邻域非一致性测度的边缘信息的利用可以进一步使曲线快速演化至目标轮廓附近，并且提高此模型的抗噪性能。另外，在此模型的数值计算中还引入了高斯滤波的水平集规则化方法，以进一步提升分割效率。最后通过实验验证了此模型的可行性和高效性。