医学图像分割是病灶确定与诊断的重要基础，在生物医学领域有着极其重要的研究价值和实际意义。然而，由于个体的差异性以及医学图像本身的复杂性，使得图像医学的精确分割一直是一个难题。近些年来，水平集方法已经成为图像分割领域的一个研究热点，并在处理图像分割问题时显示出了良好的性能，和传统的图像分割方法相比，基于水平集的新型图像分割方法有着较大的优势。本文主要研究的是基于水平集方法的医学图像分割算法，首先，我们对水平集的理论基础和数值计算做了研究，接着重点阐述了两种几何活动轮廓模型：基于梯度信息的李纯明模型和基于区域信息的C-V模型，在分析了两种模型的优缺点后，将李纯明模型中的罚函数项引入到C-V模型中，提出了无需初始化的C-V模型。最后，提出了一种主要用于医学图像分割的新型模糊水平集方法。该方法使用模糊聚类作为初始水平集函数，较之传统的FCM算法，该算法引入了图像的空间信息，所以能够更好的接近目标区域的边界并用可变的气球力对水平集方程进行了改良。此外，控制参数可以从模糊聚类中直接得到，从而减少了人工的干预。文章的最后用医学图像对该算法进行了验证试验，实验结果表明该算法是有效的。