随着医学影像在临床诊断和治疗上的作用越来越显著，医学图像处理技术近年来受到了国内外专家的高度重视。在医学图像处理和分析中，医学图像分割是医学图像分析与识别的前提。由于医学图像中一般包含有多种组织，并且每种组织结构复杂、组织边界不清晰、灰度分布不均一等这些特点均决定了其分割的复杂性。为了解决医学图像分割的问题，近年来提出了很多的医学图像分割方法，其中活动轮廓模型(又称为Snake模型)是目前医学图像分割领域中研究较多、应用较广的分割方法。在传统Snake模型与梯度矢量流(GVF)Snake模型中，均是利用图像梯度的幅度函数作为外部能量，由于梯度的幅度忽略了方向信息，使得这些方法都不能很好地区分相邻的组织边界。　　 本文在动态方向梯度矢量流(DDGVF)Snake模型的基础上，从梯度矢量场发散或平滑的观点出发，提出了一种改进的动态方向梯度矢量流(IDDGVF)Snake模型。为了能更好地检测出目标轮廓的凹陷物体边缘，在内部能量项中增加了与Snake包围面积有关的能量。为了克服由于GVF场迭代次数有限或由于初始轮廓的中心位置与GVF发散场的中心偏离太远而导致收敛到错误的目标边界问题，论文引入了与初始轮廓中心位置有关的新的动态外力场，扩大了原有外力场的捕获范围。为了进一步提高改进后的动态方向梯度矢量流(IDDGVF)Snake模型的收敛速度，对原有贪婪蛇搜索算法进行了进一步优化。实验结果表明该模型在区分相邻的组织边界、初始轮廓位置选择的敏感性和分割弱边界等方面都具有一定的优越性，因而更适用于医学图像分割。在图像分割之后，需要对目标区域提取出相应的特征，以便进一步分析或分类以区分不同性质的对象。在分割提取出MR脑肿瘤图像的基础上，深入研究了用矩描述方法对脑肿瘤图像的形状特征进行描述，并提出了一种改进的基于Zernike矩的快速算法。实验结果表明该方法能够有效地对脑肿瘤图像中的病变区域进行形状特征提取，为辅助医生进行诊断治疗提供了一定的帮助。