医学图像分割是一个传统而具有挑战性的课题。由于医学图像自身的特点，传统的单水平集方法并不能很好地解决其分割伺题，因而迫切要求加快对多相水平集方法的研究。本文对多相水平集方法进行了深入的研究，主要包括以下四个方面：首先，系统研究了水平集方法、Mumford-Shah模型的基本理论及其在图像分割领域的应用，通过具体实验指出单水平集方法在分割多相图像方面的缺陷，为后继的研究奠定了坚实的基础。其次，介绍了几种有代表性的多相水平集方法，重点研究了Vese-Chan多相水平集方法，该方法具有理想的区域划分方案，可以分割分段常值和分段光滑图像，可以自然地避免多个水平集函数的重叠和“真空”问题，但该方法假定图像噪声符合分段常值分布，难以正确分割噪声符合复杂概率分布模型的多相图像。针对Vese-Chan多相水平集方法的这个缺陷，本文提出了改进的Vese-Chan多相水平集方法，分别用于分割噪声符合Rayleigh概率分布模型的Ultrasound图像和Gauss概率分布模型的MRI图像。再次，编程实现了Vese-Chan多相水平集方法和改进的Vese-Chan多相水平集方法，并将其应用于真实的医学图像分割实验中。随后将两种方法的实验结果进行了比较，实验结果表明，由于充分利用了图像噪声的概率分布规律，改进的Vese-Chan多相水平集方法在分割Ultrasound图像和MRI图像时能得到预期的效果。最后，展望了将来的工作方向。