信息技术和计算科学研究的飞跃进步为临床医学影像领域带来了革命性的发展。医学图像分割是对医学图像进行处理和分析理解的基础。但由于成像机制复杂各异、评判系统模糊不清等特点,使得将不同组织的目标区域清晰明确地提取出来非常困难。基于几何变形的水平集方法可用于描述界面动态变化过程,主要思想即通过隐函数将曲线动态演化问题转化为高一维偏微分方程的数值求解问题。现该方法已广泛应用于图像分割领域,是代表性的闭合曲面研究工具。针对医学图像处理领域的特殊性和挑战性,本文将对水平集理论及其在医学图像分割中的应用展开研究工作,主要工作内容如下：首先,本文概述了水平集理论基础及其在医学图像分割中的研究现状,重点对其重新初始化问题、数值解的存在性和唯一性问题进行了总结。其次,在对经典变分水平集方法进行总结和分析的基础上,本文针对医学图像的灰度不均匀现象,提出一种融合了全局的和局部信息的水平集图像分割方法(Global and Local Combined C-V, GLCCV)。该方法基于邻域相近和灰度渐变的思想,构造核函数提取图像局部信息,将图像的局部信息融入了基于全局信息的Chan-Vese(C-V)水平集方法；根据局部灰度拟合均值占全局灰度均值的比例,构造自适应平衡指示函数调节全局的和局部的效应之间的平衡；并加入惩罚项来避免重新初始化。对比实验表明,该水平集分割模型能够有效分割多种灰度不均匀场景下的医学图像,抗噪性能和精确度优于融合前的分割方法。再次,本文针对一般水平集方法对初始化和噪声敏感的现象及医学成像偏差场效应、弱边界等影响的问题,提出了一种结合空间模糊核聚类KFCM_S的边缘检测尺度变换水平集方法来实现对医学图像的精准快速分割。算法中,在现有模糊核聚类方法KFCM的基础上融合空间邻域信息,构造空间模糊核聚类模型KFCM S,并由其生成初始轮廓。在区域尺度拟合RSF模型引入偏差场的基础上进行边缘检测尺度变换,在防止边缘泄漏的同时能够准确地分割灰度不均匀特点的医学图像,并方便延拓到多相位。该方法避免了水平集算法对初始轮廓的依赖性,分割速度快,能够得到精度更高的分割结果。最后,对本文所做工作进行了总结,并针对其不足指出了进一步的研究方向。