粒子群优化算法作为群智能优化算法的典型代表,较其他群智能算法而言有参数简单、易于实现、收敛速度较快等特点。但粒子群算法也存在着陷入局部最优的问题,针对该问题,引入了两种改进思路,研究了四种改进算法。通过标准测试函数对算法进行基本性能检验,最后将改进算法用于多阈值图像分割,同时与原算法进行了对比仿真实验。该研究的主要工作如下。首先,为了防止全局最优粒子(gbest)对于其他粒子的过度影响,将粒子的维度信息均值作为了新的信息源,同时还能促进粒子各维度之间的信息交流。在粒子的更新公式选择上,将以概率为准则的选择方式扩展到以时间或迭代次数为准则的选择方式,结合简化粒子群来提高算法的收敛速度,最后得到了两种改进算法概率层次简化粒子群(PHSPSO)和时间层次简化粒子群(THSPSO)。15个常用测试函数的仿真实验结果表明两种改进算法在基本函数上的表现较好,概率策略改进的算法表现最优。其次,由于PHSPSO和THSPSO在某些测试函数上的寻优能力还有进一步的提升空间,借鉴雁群启示算法和扩展粒子群算法得到了基于雁群启示的扩展粒子群算法(GeEPSO),使粒子能避免过度集中又能综合其他粒子的信息。这种结合可能会使算法的收敛速度变慢,为了最大可能地降低这一不利影响,又将简化粒子群与改进策略结合得到了基于雁群启示的扩展简化粒子群算法(GeESPSO),并通过15个常用的测试函数对算法进行验证,仿真结果表明GeESPSO在基本函数上与对比算法相比表现最优,同时也优于PHSPSO和THSPSO,在最优位置为随机值的位移函数上GeEPSO比GeESPSO表现更好,符合没有免费的午餐定理的表述。最后,将改进的算法与最大类间方差法结合对图像进行多阈值分割,分割结果表明改进算法PHSPSO得到的类间方差值最优,而GeESPSO在相似度最优,从整体上看,改进算法在多阈值分割上的应用是有效。