图像分割技术是各种医学图像应用的基础，分割质量的好坏直接影响图像处理的后续步骤。近些年来，随着计算机技术的快速发展，医学图像的成像方式更为丰富，提供的信息量也越来越多，为临床医学提供了巨大价值。Otsu阈值法是图像分割方法中最简单、直接、快速的分割方法，具有原理简单、易实现的优良特性。但是对于复杂图像，获取阈值的速度以及阈值质量都受到了限制，因此医学图像的阈值分割应用依然很少。为了提升医学图像阈值分割的准确率和效率，本文研究了基于狼群算法的分割方法。本文的主要内容包括:
　　1.针对获取阈值的速度和质量受限的问题，本文提出了一种基于改进狼群算法的伽马拟合阈值分割方法(Gamma Fitting Threshold Segmentation Method based on Modified Wolf Pack Algorithm，GFMWPA)。利用伽马函数对医学图像的灰度直方图进行局部拟合，并将误差值传递给狼群算法进行全局优化，同时客观的判断两者融合的最佳阈值维度。本文采用自适应寻优步长来弥补因步长过大而错过最优解，以及因步长过小而影响寻优速度的缺陷。并通过迭代增多寻优方向，扩大搜索范围，进一步提升寻优精度。实验结果表明，本文方法的分割质量及速度均得以提高。
　　2.人工蜂群算法是模仿蜜蜂觅食行为而提出的优化算法，利用个体间的差异及食物的丰富度随机产生新个体。在实际应用中被证实，具有较快的收敛速度和稳健性。此外，在实验过程中，本文发现搜索算法的优秀历史经验对于后期算法执行过程有一定的影响，因此本文提出了:结合人工蜂群和狼群算法的阈值分割方法，通过对狼群算法引入特有的更新策略，充分利用历史经验提高人工狼的整体优异度，使算法以更快的速度收敛到最优解。将改进后的算法应用到Otsu多阈值分割中，实验结果表明，本文方法能够实现快速、准确分割。