数字眼底图像不仅能够用于诊断眼科疾病，还能为糖尿病、高血压等全身性疾病的治疗提供依据。图像处理技术能够对眼底图像中各个结构进行识别，得到重要的形态参数，辅助医生进行诊疗。由此可见，数字眼底图像处理在医学研究和医疗诊断中都起着重要的作用。本文主要研究彩色眼底图像中视杯的识别。由于眼底图像中视杯较小、对比度低、亮度不均匀、血管干扰等因素都对视杯识别提出了挑战，因此一般方法并不适用于视杯识别。本文将采用基于水平集的CV模型对视杯进行分割。该模型基于曲线演化和水平集理论，利用图像的全局信息，能够有效处理拓扑结构复杂、边界模糊和不连续的图像，具有对噪音不敏感的优势。本文针对眼底图像视杯分割中CV模型分割速度慢、局部边缘定位不够精确、自适应性较差等问题进行了改进。首先对彩色图像进行灰度转换，使转换后的图像更加清晰，为下一步分割奠定好基础。另外，利用数学形态学和大津阈值法确定初始轮廓线，使初始轮廓线更加接近视杯边缘，提高分割的正确率。将眼底图像的先验知识合理、及时地运用到CV模型中，改写CV模型的能量函数，使其变为更加符合视杯分割的形式。优化CV模型的迭代终止准则从而减少曲线演化的迭代次数。由于视杯具有呈现圆形或椭圆的特性，最后利用基于最小二乘法的椭圆拟合算法，将不规则的曲线拟合成规则的椭圆形。采用改进后的CV模型能够较好地解决视杯分割所存在的对比度小、亮度不均等问题，尤其在视杯分割中很好地排除了血管遮挡的干扰。实验结果表明，优化后的CV模型和椭圆拟合算法提高了视杯分割的效率和正确率。