心血管疾病是工业化国家的首要死亡原因，一直是危害着人类的健康。医用超声成像具有很多优点，比如无创性、实时性、廉价性、可重复性好、灵敏度高等特点，广泛使用在诊断心脏疾病和评价心脏功能中，目前成为临床诊断心脏疾病的重要工具。然而，由于超声图像成像的特殊原理，大量斑点噪声都不可避免地存在于超声图像中，因此存在稳定性和鲁棒性差以及速度慢等缺点，分割时存在大量的伪边界、不连续边界，导致分割结果往往不能达到临床使用要求，分割方法难以推广。　　主动形状模型(Active Shape Model，ASM)是一种统计学为基础一种图像分割方法，它在样本的形变模式下迭代地调整模型的形状以拟合目标的边界，被广泛应用于人脸识别中。因此，所建立的心脏模型是否准确关系到分割结果的准确性，而建立过程中训练及对齐方法的不同会影响模型的形状。针对这一现状，本文主要针对主动形状模型在训练和对齐过程中存在的不足进行改进，提出改进的ASM，将其应用到心脏超声图像上。实验对患者的4～5个心动周期的超声序列图像进行分割，得出各腔室的横截面面积数据，然后拟合面积数据分析心房和心室的机械特性。实验结果证明改进模型有较好的分割效果，为了医生能够正确判断病人心脏疾病的病因，并做出正确的诊断治疗，则图像分割必须精准。　　随着中国进入老龄化社会，老人们逐渐成为各个家庭中的生活重心。人们常常因为各种生活和工作的压力而无暇顾及老人们的日常生活。为了解决这一状况，我们可以通过安装摄像头来监控老人们的生活，当老人出现身体不适或者跌倒时，可对着摄像头摆出手势，再通过手势识别来报警，避免无人照顾时给老人的身体健康带来危害。　　本文将改进的ASM应用到手势的识别中。通过采集不同人的手势来建立模型，然后分别验证每种手势的识别效果。实验证明识别率较高、效果理想。