图像分割技术一直是计算机领域的研究热点，随着人工智能的兴起，图像分割更是掀起了一股研究的热潮。只有很好的完成对图像的分割，才能更好的对图像进行研究和应用，阈值分割以其简单、高效的优良性能而成为图像分割技术中的一个研究热点。在阈值分割方法中，最小误差法、OTSU（最大类间方差法）和最大熵法是最为经典的三种方法，其中，OTSU算法因为其计算简单、实时性高、算法无参数而得到了最为广泛的研究与应用。　　但是在通常情况下，通过各种渠道所获取的图像由于受到各种条件的限制和随机的干扰，会包含大量的噪声，使所获取的原始图像中事物的特征发生改变，如果直接分析这类图像，会对图像的理解产生偏差，因此图像分割算法抑制噪声的能力会显得很重要。OTSU算法在求取最优阈值时，需要遍寻所有的像素点，计算量非常大，当OTSU算法推广到二维以后，运算的复杂性进一步提高，计算量进一步增大，计算过程变得非常耗时，不符合实际应用中对实时性的要求。所以本文就OTSU算法分割效果的提高和分割效率的提高进行了相关的研究。　　本文针对图像噪声中最常见的椒盐噪声，深入研究了中值滤波算法，将改进后的中值滤波算法——自适应开关中值滤波算法和自适应极值中值滤波算法运用到OTSU算法中，得到两种改进的OTSU算法——基于自适应开关中值滤波的OTSU算法中和基于自适应极值中值滤波的OTSU算法中。实验结果表明，该算法能更好地应对受到椒盐噪声污染的图像，分割后的图像不仅清晰，而且能更好地保留图像的细节特征。　　遗传算法是一种自适应高、运算速度快且有良好全局空间寻优能力的搜索算法，将其应用到OTSU算法的阈值求取中会有很好的效果。但是传统遗传算法在求取最优阈值时会不同程度的陷入局部最优解，因此本文尝试将改进后的遗传算法与OTSU算法相结合，提出一种基于改进遗传算法的OTSU算法。利用OTSU算法中的函数指导寻优方向，利用遗传算法优秀的全局寻优能力，在图像中找到一个最优阈值用来区分目标和背景，完成对图像的分割。实验结果表明，该算法缩短了分割图像所需要的时间，提高了图像分割的效率，且分割后的图像能更好地保留图像的细节特征。