图像工程的关键技术包括图像的获取、处理到后期的分析、理解。其中，图像分割是图像处理的关键环节，人们可以通过图像分割从图像中找到希望获取或者感兴趣的区域或者目标。阈值分割属于图像分割，它依据图像的不同灰度进行分割。阈值分割在实现时具有简单，计算量小，性能较为稳定的特点。不仅可以对数据量进行极大的压缩，而且将图像处理的分析和理解也大为简化。同时阈值分割也是进行图像分析，特征提取以及模式识别的基础。　　 阈值分割是指按照灰度级，对图像进行一个划分，将图像中不同目标分割开来，本文主要针对单阈值图像分割，主要应用是将目标和背景分割开来。本文在基于二维最大熵的灰度直方图模型的研究中，引入了菌群觅食算法，大大加快了分割的速度。在得到图像之后，首先将图像信息进行提取。得到的灰度直方图模型里面就会包含被处理图像的像素灰度值以及与其相邻的区域情况。这样既有当前点的灰度信息又考虑到了该点的位置信息，对于图像信息的提取就比较充分。得到灰度直方图之后，图像的信息就被转化成为一个数学模型。而处理相应的二维数学模型的方法就比较多。本文选择的是改进的菌群觅食算法，同遗传算法等现有的群体优化算法类似，细菌觅食优化算法是在封闭的连续解空间中并行搜索最优解的工具。将每个细菌的位置看成是优化问题的一个可行解，可行解包含阈值信息。细菌所在的位置的食物浓度看成适应度函数值，适应度函数是依照最大信息熵设计的。经过这样的寻优过程，得到的阈值是基于最大信息熵的阈值。按照这样的阈值处理图像就可以将图像分割开来。　　 菌群觅食算法对平滑模型有极有的寻优特性，但是在复杂模型尤其是多峰值多极值情况下寻优效果得不到保证。本文在菌群觅食算法的基础上，结合多宇宙思想提出多宇宙菌群算法。多宇宙菌群算法在解决复杂模型问题上有较好的效果，通过实验证明，该算法有较好的收敛速度和寻优准度。本文的算法应用到图像处理中，可以准确的找到图像的最优阈值。经过测试，本文提出的算法在收敛速度上比遗传算法以及原始的菌群觅食算法有明显优势，在直方图模型较为复杂，峰值较多的情况下，误判更少。而在和一维直方图模型的比较中，本文算法在有噪情况下的分割效果更好。