随着计算机科学的不断进步,优化方法应用于社会发展中的各个领域。元启发算法作为优化方法的一种,对于求解具有复杂约束的非线性优化问题具有很好的效果。图像作为信息传递的重要媒介,图像处理技术的应用也越来越多的应用于工业、军工业、航天航空,科研等方面。但传统的图像处理方法往往遇到数据处理量大、处理函数非线性等问题。本文重点研究元启发式算法算法,针对其缺点进行改进,并将其应用到图像处理的实际问题中来。主要工作如下:(1)首先本文提出了一种基于离散人工蜂群算法与遗传算法来解决离散变量优化问题。算法采用人工蜂群框架与遗传算法框架相结合的方法,既保留了人工蜂群算法全局搜索能力强的优点又具有遗传算法局部搜索能力精细的特点。算法提出补集概念,借助补集思想设计特定的更新策略、交叉,变异策略来完成个体的更新。最后将此改进算法应用到高光谱端元提取中,实验结果证明了算法的有效性。(2)针对传统人工蜂群算法局部搜索能力弱,收敛速度慢等问题,对人工蜂群算法的雇佣蜂、观察蜂的搜索策略进行改进,以加快其搜索精度及收敛速度。为了避免算法陷入局部最优,更新策略中向全局最优解学习的步长采用自适应方法设定,同时对步长的设计加入扰动因子,保证算法的全局搜索能力。最后将改进算法应用于图像分割问题中,实验结果证明了算法的有效性。(3)人工蜂群算法具有强大的全局搜索能力,但容易收到维数灾难的约束,特别是在不可分离变量的函数上,其收敛速度极为缓慢,针对该难点本文提出基于改进差分分组方法的人工蜂群算法。首先本文分析可分变量与不可分变量的函数特性,将改进型差分分组策略嵌入到人工蜂群算法中,然后根据分组结果使用不同的更新策略来改善人工蜂群算法性能。本文提出三种更新策略辅助个体完成更新:(a)提出一种考虑种群历史解的方法来平衡算法的局部搜索能力与全局搜索能力。(b)为了减少函数评估次数,侦察蜂新的初始化策略。(c)每次迭代过程中会最差性能的个体中不可分变量采用多维更新的方式。最后改进算法在基础测试函数、CEC2010测试函数、CEC2103测试函数以及CEC2014测试函数值验证了算法的有效性。