现代医学影像技术发展迅速、应用广泛,已经成为临床疾病辅助诊断最重要的手段。随着这些成像技术的不断升级更新、性能不断提高,计算机辅助诊断已成为医生临床诊断、确定治疗计划等日常工作中的一个重要步骤,其中关键性问题便是医学图像分割。本文论述了医学图像分割的基础理论,列举几类常见的医学图像分割的传统方法以及目前流行的深度学习方法,并详细说明二者在图像分割中的优缺点以及互补性。重点研究水平集方法的基本原理和理论,并将医学解剖学知识融入到水平集方法中,提出多个基于解剖学几何特征的图像分割方法,提高分割算法的精度、自动化程度与鲁棒性。这些方法有效弥补了数据驱动的深度学习方法难以融入知识的局限性,为知识驱动的医学图像分割方法的研究提供了一个有效的模式。系统性地对研究课题展开论述,各个方法之间相互关联、逐渐递进。本文的创新性工作主要包括以下内容:1.提出可变尺度局部逼近与集成的水平集变分模型,消除著名RSF模型的固有缺陷,使得算法更加高效稳定。将该方法应用于大脑血管图像与牙齿CBCT图像,取得了令人满意的分割结果。2.将双层解剖学结构特征融入基于区域的水平集方法中,提出双层水平集分割模型,实现大脑结构白质和灰质的全自动分割。以上方法为后续方法的研究提供了新的思路,也可作为其他水平集方法的初始水平集函数。3.提出能够保持心脏左心室凸性的水平集演化（CPLSE）模型。充分利用左心室解剖学几何特征,克服小梁和乳头肌对算法的干扰。利用水平集轮廓的曲率控制其凸性,使水平集轮廓最终变形为符合临床解剖学要求的凸结构。该方法具有一般性,可以直接应用于各种具有凸形状目标的分割中,也对一般的非凸形状目标的分割具有启发意义。4.提出表示心脏心肌解剖学几何结构的双层水平集分割（CP-BILLS）模型。该模型的k-水平集的k值是自动选取的,通过最小化能量函数找到最优解自动计算得出。水平集函数的0-水平集和k-水平集可以在图像信息的引导下和凸性保持机制的影响下同时演化,并向真正的心内膜和心外膜移动,使得最终的分割结果与真实的心内外膜相贴合。精确分割心脏磁共振图像,可为临床医生对心脏疾病的诊疗提供各种有用的量化信息和重要的参考依据,有助于医生对心脏疾病的临床诊断。5.提出基于解剖学知识的心室凸形分解（CSD）结构,用两个水平集函数的0-水平集和k-水平集表示分解几何模型的内外边界,实现左右心室和全心室内外膜的分割。为了提高算法的自动化程度,本文将深度学习方法与水平集方法相结合,充分利用深度学习方法自动提取图像特征的优势,取代水平集方法中手动设置初始水平集函数部分,实现分割模型的全自动。充分利用水平集方法可以很容易推广到高维空间的优势,将融入知识的水平集方法拓展到三维空间,实现三维图像数据的分割。作为心脏磁共振图像分割的辅助与补充,本文为目前临床上亟待解决的心脏图像层间偏移问题提供了解决方案。