灰狼优化(Grey Wolf Optimization,GWO)算法是一种新颖的元启发式智能优化算法,其模拟了大自然中灰狼种族特有的等级制度和集体狩猎行为。GWO算法由于结构简单、参数少,收敛速度快等优点在实际工程优化问题中得到广泛应用,但由于该算法提出时间较晚,其理论基础和算法应用方面的研究都不完善,算法本身也存在着诸多不足,如面对复杂优化问题时存在求解精度低、易早熟收敛等缺陷。为有效提高GWO算法的性能,拓展算法应用领域,本文通过对其算法理论和进化方式进行研究和分析,提出了两种改进方案,并将改进算法简单应用于多阈值图像分割问题,主要研究内容如下:(1)详细描述了GWO算法的思想来源,算法原理以及实施步骤,分析讨论了GWO算法的优缺点,并归纳了目前国内外对于GWO算法的各种改进思路,同时对GWO算法的应用领域进行了总结。(2)基于等级制度对于狼群狩猎影响的深入分析,提出了一种强化狼群等级制度的灰狼优化算法。该算法中的灰狼个体具有两种狩猎模式:一种是跟随狩猎模式,一种是自主探索模式。这两种狩猎模式既能体现高等级灰狼对低等级灰狼的引领作用,又能在充分挖掘种群位置信息的基础上发挥个体的自主能动性,提高种群的多样性避免算法陷入局部极值。仿真结果表明:该算法具有更强的全局勘探能力和更高的寻优精度。(3)针对灰狼优化算法和差分进化算法各自在应用上的优势和不足,提出了一种灰狼优化和差分进化的混合算法,实现了算法之间的优势互补,获得了一种全局搜索能力和局部搜索能力兼顾的高效混合优化算法,并将混合算法用于解决复杂高维函数优化问题,实验分析表明,该混合算法具有更好的收敛速度和优化性能,更适用于求解各种函数优化问题。(4)基于对上述混合算法特性的分析,将其应用于解决最大熵多阈值图像分割法中存在的阈值选择不准确、分割速度慢等问题,提出了一种新型多阈值图像分割算法。实验结果表明,该方法能够快速、准确的找到图像分割的最优阈值组合,进行有效分割。