图像阈值分割在图像分割领域具有举足轻重的地位,利用智能优化算法对图像进行阈值分割目前的研究成果显著。由于图像的种类包罗万象,图像的来源五花八门,图像阈值分割问题变得越来越复杂,所以现有的算法仍然存在很多不足,无论是时间复杂度还是收敛性等多个方面都不能满足实际需求,往往单一的算法只能处理类型单一的图像,大部分已有算法都不能自适应选取分割参数。面对已有算法的不足之处,本文提出了两种算法来对其进行改进。首先,针对利用广义模糊熵进行图像阈值分割不能自动选取优化参数且算法时间复杂度相对较高的问题,提出了广义模糊熵图像阈值分割参数选取的自适应差分进化算法,通过优化的方法进行全局寻优。选取优化参数时的优化算法采用提出的自适应差分进化算法,该算法基本原理步骤同差分进化算法一致,不同点在于本文引入了自适应变异算子来代替基本差分进化算法中的变异算子,还设计了交叉概率自适应函数,通过进化迭代步数动态改变交叉概率CR的值。新提出的算法能够根据不同类型图像在进化的不同阶段动态的改变变异算子大小和交叉概率自适应函数值,能够极大的降低算法时间复杂度且实现分割参数的自适应选取。为了验证算法性能,通过大量仿真实验将提出的算法同已有的两种先进算法进行实验对比。实验表明:在大多数情况下提出的算法所得结果分割错误率更低且具有较少的背景信息和较清晰的目标信息。然后,针对目前大多数算法求解图像最优阈值不能自适应选择且处理图像的种类比较单一的问题,提出了基于双自适应蚁群算法的广义模糊熵图像阈值分割算法,该算法采用双自适应机制根据不同情况自动选择广义模糊熵参数。这两种自适应机制分别为:初始时刻信息素浓度自适应和全局更新规则自适应。设定的初始时刻信息素浓度自适应机制用来引导蚂蚁向最优方向移动,同时抑制蚂蚁去选择不相关路径。设定的全局更新规则自适应机制,用此来提高传统算法的收敛性。双重自适应机制可以避免蚂蚁选择路径时盲目搜索,极大地提高了求解全局最优解的速度。为了验证所提出方法的有效性,进行了大量实验,并将本算法同已有的四种先进分割算法进行比较。实验表明:由于采用自适应机制,同等条件下提出的算法相对处理的图像类型更多。除此之外,通过全局寻优来自适应的确定分割参数,克服了穷举搜索费时的缺点。提出的算法极大地提高了稳定性和收敛速度,很适合用来解决图像阈值分割问题。最后,总结了本文的工作并提出将来需要进一步研究的具体问题。