图像分割是图像识别,目标跟踪等任务的预处理步骤,在图像处理中占据重要地位,可用于医学检测和交通控制等多个与计算机视觉相关的方面。但是图像分割由于待分割图像数据的特殊性和多样性,一直没有通用的方法出现,同时平衡图像分割的精确度和算法的实施性也是研究过程中一个需要考虑的问题。水平集方法由于其自由变换拓扑结构的特点,在图像分割领域取得了优秀的分割结果。本文对水平集理论及水平集方法在图像分割中的应用进行了深入研究,主要研究内容如下:首先,介绍了水平集理论的原理方法,曲线演化理论的具体知识和水平集方法实施时的数值计算过程,并介绍了图像分割的客观评价准则,为本文中的实验分析提供客观依据。随后介绍了CV模型,DRLSE模型和SBGFRLS模型这三种经典的水平集模型,分别阐述各模型的理论基础,并对这三种水平集模型进行仿真实验,总结分析其分割效果和优缺点。其次,针对灰度图像中像素分布不均匀现象影响图像分割结果的问题,本文提出一种结合概率知识的水平集灰度图像分割模型。针对分布不均匀的灰度图像,该算法使用偏置场函数描述不均匀成分,同时使用拟合函数表示图像轮廓内外像素点强度,与原图像拟合程度更高;结合图像单点分布概率设计数据能量函数,提高算法的运算效率使水平集函数更快迭代至目标位置。通过与LBF模型,LS-ACM模型,RD模型和GDRLSE1模型的实验结果对比,可以看出本文所提算法有效地克服了灰度不均匀问题并取得了较高的分割精度,同时通过两种评价指标和运行时间的客观对比证明,本文所提算法具有良好的实施性。最后,对于携带颜色信息的复杂彩色图像进行分割方法的研究,为了获得良好的分割效果,本文提出一种结合显著性特征的水平集彩色图像分割模型。该算法在多维空间中演化水平集函数,避免将彩色图像转化为灰度图像的步骤,从而保留更多的图像信息有利于获得更精确的分割结果,同时结合图像的显著性特征设计能量函数,使用图像中不同区域的显著性区别对彩色图像进行分割。通过对比CV模型和SBGFRLS模型的实验分割结果和运算时间,可以看出本文所提算法针对彩色图像有良好的分割性能,而且无需太多的运算时间,是一种有效的彩色图像分割模型。