针对主动脉瓣超声图像序列中边缘模糊和瓣膜结构不断变化的难题，提出了一种准确高效分割主动脉瓣B超图像的方法。本文利用基于形状约束信息的GCV模型算法分割超声图像序列。GCV模型即通过计算演化曲线內法向量方向与梯度矢量流场方向的夹角将梯度矢量流能量加入到CV模型框架中。该能量扩大了力的捕捉范围，不仅在一定程度上抑制了CV模型中边缘模糊处严重溢出的问题，而且能够使远离主动脉瓣区域的演化曲线更好地进入目标边缘细节。为了彻底的解决弱边缘溢出问题，通过利用形状比较函数将形状约束能量项加入到GCV中。其中，初始约束形状由用户手动定义，其它的约束形状通过对相邻帧的分割结果作形态学滤波得到。该形状约束能量项不仅可以减少算法的迭代次数，加快演化曲线向目标轮廓逼近的速度，而且从根本上解决了主动脉瓣超声图像中边界不清晰处泄漏的问题。最小化基于形状约束的GCV模型，可以得到准确的主动脉瓣分割结果。本文最后进行了大量的定性与定量实验，通过与CV模型的对比实验，验证了梯度矢量流能量项和形状约束能量项的重要性，并利用五个性能参数分析分割结果，证明了基于帧间形状约束GCV模型分割主动脉瓣超声图像的算法的可靠性与准确性，其分割结果能够辅助临床医生对心脏瓣膜类疾病的诊断与治疗。