群智能算法是模拟自然界中生物的群体行为而抽象出来的,是一种随机搜索的优化算法,包括蚁群算法和粒子群算法,其中粒子群算法是Kennedy和Eberhart在1995年提出的一种进化优化算法。粒子群系统模拟社会机制的进化过程,在这个系统里,代表潜在解的粒子个体在一个多维空间里飞行以此来找到更优的或者最优的解。粒子根据当前位置和速度来飞行,也就是有一个固定的轨迹在它的附近搜索。粒子群算法概念简单,参数容易调节,所以得到了广泛的应用,并且同时出现了一系列的改进算法。但是因为它有搜索轨迹并且速度有限,所以很难跳出局部最优,很容易出现早熟现象。量子粒子群算法的出现解决了搜索范围有限的问题,它基于量子力学中的不确定原理,全局搜索能力胜于粒子群算法,但是这也并不是一个完美的算法,很多改进算法也随之出现,但是仍然存在算法复杂度高,全局搜索能力不够的缺陷。本文介绍并分析了粒子群算法及其量子粒子群算法,并在已有算法的基础上做了改进并将其应用到医学图像分割中。本文主要工作如下：(1)针对已存在的量子粒子群算法所存在的缺陷,提出了改进的协同量子粒子群优化算法。该算法利用量子力学中的不确定原理,在粒子更新过程中进行多次测量,得到多个个体,为了有效利用每个个体的每一维有用信息,再次将多次测量得到的多个个体进行协作处理。对比实验表明,该方法加快了收敛速度,不仅在基准函数可以得到更好的结果,在复杂函数上也得到了更好的结果。(2)提出了基于改进协同量子粒子群算法的医学图像分割方法。该方法将改进协同量子粒子群算法与传统的最大化类间方差方法相结合应用于医学图像多阈值分割。对比试验表明,该方法在相同条件下可以得到更大的类间方差,分割精度提高了。(3)提出了一种多背景变量协同量子粒子群算法。该算法在协作过程中每跟一个粒子协作完成后用本次协作完成得到的最优的个体更新为新的背景变量。对比试验表明,该算法的所搜能力大大提高了,优化结果更加理想。并提出了基于多背景变量协同量子粒子群算法的医学图像分割方法。对比试验表明,该方法的分割精度更高,结果很好。本文得到如下基金资助：国家"863"计划：2009AA122210；陕西省“13115”科技创新工程重大科技专项项目：2008ZDKG-37；国家自然科学基金：(60703107和60703108)；陕西省自然科学基金：2007F32；中国博士后科学基金特别资助：200801426；中国博士后科学基金：20080431228以及中央高校基本科研业务费专项资金资助：JY10000902040。