ناحیه بندی یک گام ابتدایی و بسیار مهم در مباحث تحلیل تصویر است که نقش اساسی در تشخیص، طرح ریزی جراحی، و ارزیابی های مختلف پزشکی ایفا می کند. ناحیه بندی تصاویر پزشکی به دلیل ناهمگونی بافت، اثر حجم جزئی، نویز، آرتیفکت و تنوع ساختار بیماری های مختلف در بیماران گوناگون با مشکل مواجه است. برای حل مشکلات مذکور روش مدل های دگرشکل پذیر سطح پیشنهاد شده است. هدف از این رساله بررسی مدل های دگرشکل پذیر برای ناحیه بندی تصاویر پزشکی و ارائه الگوریتم مناسب به منظور رفع پاره ای از مسائل و مشکلات مذکور در این زمینه است. در میان مدل های دگرشکل پذیر در ناحیه بندی تصویر، مدل دو مرحله ای سریع ftc، یک مدل کارآمد و همچنین سریع می باشد. اما کارایی این مدل بسیار وابسته به منحنی اولیه می-باشد بطوریکه نیازمند مداخله کاربر برای انتخاب این منحنی است. یک متد جدید در این رساله برای تسهیل در ناحیه بندی تصاویر پزشکی پیشنهاد شده است که ترکیبی از الگوریتم ناحیه بندی فازی مبتنی بر کرنل با محدودیت مکانی skfcm و مدل ftc است. این رویکرد شامل دو مرحله پی در پی می باشد. ابتدا، از متد skfcm بمنظور انتخاب خودکار منحنی اولیه برای مرحله بعد استفاده می شود. سپس مدل ftc برای ناحیه بندی تصویر توسط تکامل منحنی مبتنی بر مجموعه سطح بکار گرفته می شود. درجه عضویت فازی علاوه بر انتخاب منحنی اولیه، در عبارت سرعت مبتنی بر داده مدل ftc برای بالا بردن قدرت و دقت الگوریتم پیشنهادی آمیخته گردید. ارزیابی عملکرد الگوریتم پیشنهادی در چندین نوع متفاوت از تصاویر پزشکی انجام شده است. نتایج تجربی مزایای الگوریتم پیشنهادی را در دقت، زمان محاسباتی و مقاومت در برابر نویز در مقایسه با پنج متد رایج دگرشکل پذیر برای ناحیه بندی تصاویر پزشکی نشان می دهد که عمل ناحیه بندی، با دقتی برابر با 95% در تصاویر نویزی با واریانس گاوسی 5% انجام می گیرد.