图像分割是特别重要的一种图像前处理手段，亦是机器视觉和人工智能领域的先决和根基工作之一。根据统计，由人类生活方式的影响，糖尿病发病的几率异常高，然则糖尿病后期引发的糖尿病视网膜疾病(DR)会引发眼底出现出血点。所以，经由图像分割技术检索眼底出血点可以高效的协助医生的诊疗，极大的程度上提升医生的工作效率。　　这些年来，有关图像分割的研究有很多，然而，有关图像分割的算法主要集中于图像全体区域分割和模板匹配分割。而眼底出血点特征非常弱、外形和规则不完全相同，因此，通过当前现有的图像分割算法不容易实现令医学应用领域满足可行的结果。而，当今有关眼底出血点分割的方法主要是依赖于典型机器学习和深度学习两个方面，然则典型机器学习和深度学习须要庞大的人工标识、特征抽取、调整参数，这样不单大量耗时并且成效比较局限。　　本文通过对 DR和眼底出血点大量学习和研究，联合粒子群优化(PSO)算法展开研究，首先使用PSO算法寻找出血点的聚类中心和出血点所处的矩形位置，此后采用改进的活动轮廓模型(ACM)分割出眼底出血点的轮廓。本文做了三方向改进，第一：对于 PSO算法容易陷入局部最优解的问题提出以Metropolis准则为基础的PSO算法；第二：关于眼底出血点确定方面，本文联合边缘、区域、外形特征构造一种特征相似系数并引入模糊聚类，构建一种新型PSO适应度函数，用于出血点聚类；第三：对于当今存在的ACM分割速度迟缓、对起始轮廓敏感的弊病提出以粒子群聚类为基础并加入聚类系数的局部ACM，让起始曲线更加贴近目标边界。通过Matlab仿真实验，本文改进的PSO和局部ACM在稳定性、速度、精度、抗击噪声能力方面获得了提升，此外，本文新提出的眼底出血点分割算法能够准确分割出出血点轮廓且在人工消耗、样本需求、分割精度等方面优于目前存在的基于机器学习眼底出血点检测算法。