图像处理是图像理解和分析的重要组成部分，也是模式识别和计算机视觉的基础，而图像分割则是图像处理的重要前提与基础，是图像处理的一个关键步骤。图像分割的目的是将给定图像分割成一系列有意义的区域，从中选取出感兴趣的目标区域。目前，基于偏微分方程的图像分割方法（活动轮廓模型），由于其实现方法简单且分割效果好的优势，受到了图像分割研究领域的广泛关注。现有的活动轮廓模型通常可分为两大类：基于边缘的分割模型和基于区域的分割模型。与基于边缘的活动轮廓模型相比，基于区域的活动轮廓模型具有很多独特的优势，例如，能更好地提取图像的弱边缘（因为不使用图像的梯度信息），同时对噪声更具鲁棒性（因为使用区域统计信息）等。在图像分割中，对于一些复杂图像可以先做保边界平滑预处理，得到近似的分片常值图像，然后使用分割模型对其进行处理，从而获得更有效的分割结果。因此，直接研究分片常值图像的分割具有非常重要的意义。本学位论文讨论基于区域的活动轮廓模型及其在近似分片常值图像分割中的应用，主要围绕用于近似分片常值图像分割的经典C-V模型及其几个改进模型展开研究。主要工作如下：针对C-V模型的轮廓初始化、水平集函数的重新初始化、收敛速度以及多相图像分割等问题，结合改进的C-V模型，提出一个分片常值图像分割的活动轮廓模型。该模型基于全局区域信息并利用变异系数构造数据保真项，其水平集演化方程为常微分方程。实验结果表明，该模型保持了C-V模型的优点，同时无需轮廓初始化以及水平集函数的重新初始化，且收敛速度快。此外，该模型也能较好分割常见的三相图像。