图像分割是进行图像理解、分析的基础。准确的分割对后期理解图像有重要的意义,是当前图像处理领域的热点。采用水平集的图像分割算法,凭借其多信息融合性、高度的灵活性和自由的拓扑变换等优点,受到了国内外学者的广泛关注。目前,水平集方法还处于发展阶段,仍没有一种处理各类图像的通用分割算法,处理灰度分布不均、多目标等复杂背景的图像效果不理想。因此,在理论和应用方面有待于进一步完善和研究。在此背景下,本文对基于水平集的图像分割算法进行研究,研究重点为理论模型和应用模型。理论模型研究方面提出了交互式选择分割模型,应用模型研究方面提出了基于先验形状约束的灰度聚类模型,并将其应用在视神经盘的分割上。研究成果如下:为解决灰度不均匀图像的多目标选择分割问题,本文提出了基于局部信息和全局信息拟合的交互式选择分割模型。测地线活动轮廓模型（GAC）模型具有交互分割属性,利用图像梯度信息驱动活动轮廓演化,无边缘活动轮廓模型（CV）模型具有全局分割属性,利用图像区域信息推动活动轮廓演化。GAC-CV模型可以在水平集设置为内负外正的情况下将CV和GAC的优点结合。本文在GAC-CV模型的基础上引入改进的符号约束函数,该约束函数规定了不同图像特征下的统一水平集函数,使改进后的交互选择模型表现正确的交互选择分割属性。该模型有两种分割模态:全局方式下可以分割图像中的所有目标;局部方式下可对指定个数目标进行分割。本文对人工合成图像、灰度不均匀图像等做实验,分别与GAC、CV、GAC-CV模型对比,从运行时间、迭代次数、相似度系数三方面验证了本文算法的有效性。针对彩色眼底图像（CFT）存在灰度不均匀,检测分割困难的问题,本文提出了基于先验形状约束的局部灰度聚类分割模型。局部灰度聚类模型（LIC）模型是基于区域的分割模型,该模型利用K均值原理统计局部灰度聚类中心,采用拟合图像的局部加权平均灰度,可分割灰度分布不均图像并实现对偏差场的纠正。眼底视盘周围遍布大量血管、灰度分布不均且多呈现椭圆形状,由于光照、病变等因素干扰易发生形变。因此针对这个问题,在LIC模型中融入椭圆的仿射变换,将其作为先验形状信息指导活动轮廓演化。本文通过与LIC模型、局部高斯拟合模型（LGDF）模型对比,分别将其应用在眼底视盘图像分割中,验证了本文算法的准确性。