在当今世界范围内，心血管疾病已成为导致人类死亡的三大主要原因之一，血管内超声是研究动脉粥样硬化的冠状动脉疾病的有效工具，它所提供的高分辨率的冠状动脉横截面图像显示了血管管腔，中外膜，和斑块的详细信息，为心血管疾病临床诊断提供了依据。对血管内超声图像进行分割，提取血管管腔，中外膜轮廓以及斑块轮廓是对IVUS图像进行血管弹性分析，斑块识别等定性分析以及对血管腔的面积偏心率等进行定量测量的基础，成功分割出IVUS图像中医生所感兴趣的目标边缘对于心血管疾病的临床诊断有着非常重要的实际意义。本文主要的研究工作有:　　首先，对IVUS图像进行预处理，结合图像降噪和图像增强两种方式。针对IVUS图像的特点，提出了一种自适应中值滤波结合改进的高通滤波方法，有效的降低了噪声并在一定程度上保持了边缘信息，采用Retinex算法获得IVUS图像中各像素的相对明暗关系，通过这种相对关系进行线性映射，从而增强图像并且对噪声影响较小。　　其次，对IVUS图像的血管管腔膜以及中外膜进行分割。提出了三种分割算法，第一种是基于自适应阈值分割并结合Marr边缘检测的分割算法，通过自适应阈值分割降低IVUS图像的复杂度，结合Marr边缘检测算子提取血管的管腔膜和中外膜。第二种是基于改进的Snake模型的分割算法，改进部分在于加入了一种基于灰度信息与ROI区域的初始轮廓获取方法。第三种是基于改进的水平集模型的IVUS图像管腔膜分割算法，改进部分在于一种新的速度函数使得曲线的演化快速逼近真实的管腔边缘，并通过缩小计算范围实现算法效率上的提升。　　接下来，提出了一种基于IVUS图像的血管感兴趣区域分割算法，该算法以前面的研究为基础，将IVUS图像的血管管腔膜分割，血管中外膜分割，以及血管斑块的分割这三种分割算法有机的结合起来。通过改进的水平集模型首先分割血管的管腔区域以及管腔膜轮廓，通过定位管腔区域的质心以获得Snake模型的初始轮廓，继而通过Snake模型收敛得到血管的中外膜轮廓线，中外膜的提取充分利用了管腔区域信息的先验知识。最后，将中外膜轮廓曲线以内区域作为ROI，通过全局最小化活动轮廓模型实现对血管斑块的分割。并且从均方根误差（RMSE）相对差异度(RDD)以及算法耗费时间三个客观评价指标上证实了该算法的准确性和实效性。