超声图像的精确分割是高强度聚焦超声(HIFU)治疗中非常重要的环节，是后期重建、配准以及治疗能达到良好效果的前提。然而，由于超声图像所具有的低对比度、边界模糊以及斑点噪声等固有特点，超声图像的分割一直都是一个较难解决的问题。　　 论文首先研究了基于边界信息的水平集活动轮廓模型GAC模型，以及该模型的改进模型即无需重新初始化的活动轮廓模型。改进后的模型消除了重新初始化过程的必要性，同时引入加速项加速了模型的演化过程。通过对人工合成图像和真实超声图像的分割结果分析对比得到，改进后的模型在缩短了模型演化时间的同时也提高了分割的准确性。　　 然后研究了基于区域信息的活动轮廓模型Chan-Vese模型，以及Chan-Vese模型的改进模型即RSF模型。RSF模型通过定义局部灰度拟合能量项，并且将局部的灰度变化加入到总的能量方程中作为分割算法的特征考虑。实验表明，该模型对不符合分片同质假设条件的图像能得到较之Chan-Vese模型更好的分割结果。　　 最后将边界信息活动轮廓模型和区域信息活动轮廓模型分割方法相结合，提出了一种综合利用两种模型的超声图像分割方法。该方法通过在能量函数中引入惩罚项，避免了重新初始化过程；同时区域信息的引入增大了在边界模糊处的演化能量，使得轮廓线能演化到更准确的位置。该方法既保持了上述两种模型的优点，又在一定程度上克服了各自的缺点。实验结果表明，该方法对低对比度、边界模糊的超声图像有良好的分割效果，而且在不同的初始化轮廓线条件下能够提高分割效果的鲁棒性。