图像分割是机器视觉中的基础性问题，由于图像中存在着噪声、遮挡、杂波等因素的影响，单凭低层次视觉信息往往不能得到准确的分割结果。基于先验知识的图像分割方法就是针对这一问题提出的。该类方法综合考虑图像本身的低层次视觉信息和人们对于待分割目标的知识和经验，使目标得到正确地分割。这正如人们通过视觉感知外界物体一样，人类的视觉不仅仅通过感知物体的影像来识别物体，而且综合大量的先验知识，完成对待分割目标的重建和识别。本文围绕着基于先验知识的活动轮廓模型及其在前列腺分割中的应用，主要的工作和创新如下：（1）提出了一种基于局部区域非参数估计方法的活动轮廓模型。定义每个像素点的分布用该点周围的局部直方图表示，像素点的局部拟合直方图通过一个截断的高斯窗函数分别统计该点处目标和背景的灰度直方图分布。通过比较某点处的局部直方图和局部拟合直方图之间的差异，确定当前点的曲线演化方向。高斯窗函数的窗宽控制某点处拟合直方图的计算范围，为了避免局部最小，提出针对不同的像素点选用不同的窗宽。为此，定了三个不等式条件，如果其中任何一个不等式条件满足，就选用较大的高斯窗宽计算拟合直方图。实验结果证明该方法可以有效地避免能量函数的局部最小，并且在需要精确分割的地方能够保持较高的精度。（2）权衡形状能量项和传统活动轮廓模型的能量项对曲线演化的影响是一件很困难的事情，通常需要调节的权值系数解决该问题。针对这一问题，提出了一种约束变分模型，自适应地平衡传统活动轮廓模型的能量函数和先验形状模型的能量函数对曲线演化的影响。将传统的活动轮廓模型表示为目标函数，定义形状模型的等式约束条件。通过拉格朗日乘子法和欧拉方程对约束变分问题求解，可以得到拉格朗如乘子迭代方程，该方程自适应地平衡两个能量项对分割结果的影响。（3）提出了一种采用核密度估计的形状模型建模方法。通常情况下，形状模型的建模是通过主成分分析提取形状特征，然后以高斯分布模拟形状的变化。但是当物体形状变化较大的时候，采用高斯分布的假设就不再成立。本文采用核密度估计的方法拟合出形状的概率密度分布，分析了核密度估计方法中窗宽系数的选择对形状模型形变的影响。通过实验验证了在形状概率密度估计方面，基于核密度估计的形状模型建模方法优于基于高斯的方法。（4）在对超声前列腺图像分割中，提出采用有效的局部化的特征引导前列腺形状模型的形变。形状模型的形变是通过特征所驱动的，因此如果特征选择不当，不好的特征将会使得形状模型朝着错误的方向形变。为此，定义了一个条件作为超声前列腺图像中特征选择的标准。实验数据为12个病人，每个病人6幅二维超声前列腺图像，每个病人留一个数据作为测试，其余数据都用来训练形状模型。实验结果表明，通过采用选择出来的有效的特征，使得基于核密度估计的形状模型能够得到正确的形变结果。（5）提出了一种基于主成分分析和核密度估计的形状模型和外观模型的建模方法。通过该方法分别对三维CT前列腺的形状和前列腺内外的直方图建立形状模型和外观模型。通过约束变分模型将两种先验知识相结合，以分割CT图像中的前列腺。实验结果表明，该方法只需在图像中点一个点作为演化曲线和形状模型的初始化，就能够得到较为精确的分割结果。