二维熵阈值分割法因为计算量小、复杂度低、稳定性高被广泛运用。但利用传统穷举算法从整体寻找最佳阈值时,时间复杂度随阈值个数的增加而快速增大,限制二维最大熵阈值法的实际应用和进一步推广。针对二维熵阈值法在多阈值分割时计时长,复杂性高问题,本文设计基于并行模拟退火遗传算法的二维熵阈值分割算法。在该算法中,以二维熵最优值作为个体的适应度函数,使得进化在多个子群并行进行,二维熵判别函数被用来作为算法的适应度函数,利用本文算法进行全局寻优,达到阈值搜索目的。与传统的模拟退火算法相比,此优化算法可将时间缩短40-50%,说明此算法能够大幅度提升分割效率,是一种高效简便图像分割算法。同时,将研究进行延伸,根据模拟退火算法实现并行的几种途径,提出模拟退火算法的四种并行机制。其中存在两种高效并行策略,一种是本文所采用的并行方式-混乱松弛并行机制,另一种是协同算法并行机制。因此,本论文的改进算法-基于并行模拟退火的遗传算法会有二种不同的实现方式,本文通过大量实验分析比较这两种优化算法的分割效果及实性能指标。除此之外,该算法还能在确保图象分割精度的基础之上,提升最优阈值的获取速度,是一种高效、实用的图象分割技术。