元启发式算法自上世纪60年代提出后,由于其具有可以有效地减少计算量,提高优化效率等优点而得到了广泛应用。该类算法模仿自然界中各类运行机制,具有自我调节的特征,解决了诸如梯度法、牛顿法和共轭下降法等这些传统优化算法计算效率低,收敛性差等缺点,在组合优化、生产调度、图像处理等方面均有很好的效果。图像分割是图像处理系统中重要的一环,分割结果对图像的后续处理有很大的影响。但传统的图像分割往往会有数据处理量大,函数模型复杂等问题。本文重点研究元启发式算法,针对其缺点进行改进,并将其应用到图像分割中来。主要工作如下:(1)针对现有的一维K熵算法在分割图像时易受噪声影响,分割不准确的问题,本文将常用于图像分割的一维K熵阈值选取准则函数延伸至二维,给出了二维K熵定义和相应的分割函数。该阈值方法不仅考虑到了像素本身的值,还考虑到了像素的邻域信息,且通过调节参数k能很好地完成不同图像的分割,具有较高的灵活性和普适性。(2)针对现有的天牛须算法(BAS)在面对复杂的非线性函数时存在易陷入局部最优,且在迭代后期天牛的步长和搜索距离都会衰减的不足,提出了一种拥有强全局探索能力的学习策略:离散二进制天牛须算法(BBAS)。(3)BAS在迭代后期由于步长的衰减易陷入局部最优,而单纯的BBAS运行到最后时,更具有随机性,这是一种全局搜索能力且会因全局搜索性过强而无法全局收敛。根据这两种算法的优势和不足,将原始BAS与BBAS结合起来,利用BBAS辅助原始BAS算法,提出了一种新的天牛须搜索算法(NBAS)。该算法平衡了局部与全局搜索,有效弥补了BAS容易陷入局部最优的不足。并通过在基准测试函数上的测试验证了算法的有效性。(4)将NBAS算法与BBAS算法分别与二维K熵阈值分割准则函数结合,提出了NBAS-K熵分割算法和BBAS-K熵分割算法。通过在Berkeley数据集、人工加噪图像以及遥感图像上的实验结果表明,NBAS-K熵图像分割算法不仅具有较好的抗噪性能,而且具有较高的精度和鲁棒性,能够够快速有效地分割图像。