图像分割是将图像分成若干个互不重叠的子区域并提取出有意义区域的过程。在数字图像处理与计算机视觉领域中,图像分割是从图像处理到图像特征提取和识别的关键步骤,它的质量影响着后续的图像分析和模式识别。因此,快速、高效的分割方法一直是研究人员关注的研究热点。阈值分割是一种有效且实用的分割方法,其原理是按照某种准则求出最优阈值,再根据获得的阈值对图像进行分割。在实际应用过程中,为了满足我们的使用需要,有时需要使用多维阈值分割方法或者同时选取多个阈值来实现对目标图像的有效分割。随着图像信息维数或选取阈值个数的增加,阈值分割算法的计算复杂度快速增加,大大提高了计算所需时间,一定程度上限制了算法的使用范围。为此,本文改进了两种新型智能优化算法,并将其应用于图像阈值分割中,论文主要研究内容如下:(1)针对人工蜂群算法应用于含噪图像分割时存在分割精度不高、抗噪性差的问题,提出了一种基于改进人工蜂群算法的Otsu图像分割方法。该方法首先引入全局最优解指导搜索方向,并且针对采蜜蜂和观察蜂作用的不同提出了不同的搜索策略,提高了算法的收敛速度和全局搜索能力;其次,引入模拟退火机制对蜜源更新方式进行了改进,采用Metropolis准则更新蜜源位置,有效避免了个体在搜索过程中陷入局部最优;最后,结合二维Otsu阈值分割法迭代搜索分割阈值。为了测试算法性能,选择多幅不同类型的灰度图像及含噪图像进行仿真实验,并与穷举搜索法、人工蜂群算法及萤火虫算法的实验结果进行了对比分析。实验结果表明了该方法克服了穷举搜索法费时的缺点,分割效果优于人工蜂群算法和萤火虫算法,具有较好的抗噪性能,能有效解决含噪图像的实时分割问题。(2)针对传统多阈值图像分割方法存在计算量大、计算时间长的问题,提出了一种基于改进布谷鸟算法的多阈值图像分割方法。该方法引入教与学搜索策略、精英自适应竞争分享机制和模拟退火机制对布谷鸟算法进行改进,再结合最大熵多阈值分割方法迭代搜索分割阈值。为了验证所提改进方法的有效性,选择了多幅不同类型的复杂多目标图像进行分割实验,并与其它4种先进的分割算法进行对比分析。实验结果表明了该方法在分割准确性、计算时间和收敛性上均优于对比算法,能快速有效的解决复杂多目标图像的多阈值分割问题。