主动轮廓模型理论将高层先验知识和低层视觉任务相结合，自上而下地实现对视觉任务的处理，为解决计算机视觉问题提供了崭新的理论框架。该理论已经被广泛应用于计算机视觉的许多领域，如边缘提取、图像分割、运动跟踪、3D重建及立体匹配等，并已经发展成为计算机视觉和模式识别研究中最为活跃和成功的领域之一。　　 但是在实际应用中，主动轮廓模型仍然存在如下不足：　　 (1初始轮廓位置敏感，不同位置的初始轮廓可能得到不同的轮廓演化结果。为了得到精确稳定的解，要求模型的初始轮廓要靠近目标边缘。　　 (2)由于能量函数的非凸性，模型有可能收敛到局部极小值，甚至发散。　　 (3)模型的抗噪性能差，容易受噪声的干扰。　　 (4)在几何主动轮廓模型中，曲线演化的速度比较慢，往往不能满足实际需要。　　 (5)在处理曲线的拓扑结构变化问题上，参数模型不易处理拓扑变化；而几何模型的拓扑变化又不容易控制。　　 围绕上述问题，并结合工程实际，本文对主动轮廓模型在图像分割和目标跟踪方面的理论和应用展开了研究。　　 第一部分对主动轮廓模型的基础理论和发展状况进行了综述和探讨。指出该理论在图像分割和目标跟踪算法上存在的问题。对水平集理论及其算法实现进行了阐述。　　 第二部分针对复杂背景下人造目标的边缘提取问题，提出了基于分形维数特征的主动轮廓模型。对于不同的分割目标，提出基于目标特征能量场构建主动轮廓模型的思想，这样可以抑制背景的干扰，全局性地引导主动轮廓收敛到目标的边缘。基于分形维数特征，分别定义了分形参数主动轮廓模型和分形几何主动轮廓模型来实现对复杂自然背景下人造目标的分割和边缘提取。该模型允许初始轮廓远离目标的边缘，降低了模型对初始轮廓的依赖性。　　 第三部分对主动轮廓跟踪模型进行了研究，提出一种基于形状约束势能的参数主动轮廓跟踪模型。该模型将基于轮廓曲率先验的帧间几何形状约束势能与目标区域信息和边缘梯度信息相结合，来实现目标的边缘跟踪。该模型可以克服弱边缘及强背景等噪声对轮廓的吸引和干扰，保持了目标的基本形状，实现和改善了对具有尖角、深凹和狭长分支等不规则形状目标的边缘跟踪。　　 第四部分对基于Mumford-Shah模型的图像分割方法进行了研究。(1)提出一种基于区域相关权重的C-V模型来实现对水上桥梁目标的分割和提取。针对桥梁目标的场景模型，充分利用河流的区域特性，用具有区域相关权重的C-V模型实现对河流区域的分割，提取出河流轮廓，再根据桥梁知识确定桥梁目标边缘线。该算法能够较好地解决远距离小目标水上桥梁及灰度梯度较弱图像的桥梁分割和识别问题。(2)对Chan-Vese提出的水平集图像分割模型进行了改进，提出一种无需水平集重新初始化的C-V模型。该模型将水平集函数与距离函数的偏差引入C-V模型，以此约束水平集函数在演化过程中保持为距离函数。同时，该模型用一般的分段常数函数定义初始水平集函数，即水平集函数不必初始化为符号距离函数。该模型不仅提高了C-V模型的演化速度，而且实现了水平集函数初始化的灵活性。(3)提出一种基于区域特性的主动分界线模型来实现对天际线的检测。该模型定义了一条非封闭的参数化曲线，基于Mumford-Shah技术和区域灰度均方差最小原则定义能量函数；通过最小化能量函数来驱动曲线的演化，提取天际线和某些同质区域的非闭合分界线。该模型可以提取无梯度信息或者梯度信息较弱的区域边界，并具有较强的抗噪性。将主动分界线模型进行形状约束，提出参数水平线和斜线的分界线提取模型。