粒子群优化算法(Particle Swarm Optimization,PSO算法)源于鸟群和鱼群群体运动行为的研究,是一种基于种群搜索策略的自适应随机优化算法。作为群智能的典型代表,粒子群优化算法已被证明是一种有效的全局优化方法,它收敛速度快、计算简单和容易实现,因而一经提出就受到全世界研究者的广泛重视。目前已经被广泛应用于图像分割、目标函数优化、神经网络训练、模糊控制系统等许多领域,并取得了很好的效果。然而它仍然存在一些缺点:容易陷入局部最优以及在演化后期收敛速度迅速减小,因此往往收敛不到全局最优解。图像分割是目标检测和识别过程中的重要步骤,其目的是将感兴趣区域从图像中分割出来,从而为计算机视觉的后续处理提供依据。对图像进行分割的方法有多种,阈值法因实现简单而成为一种有效的图像分割方法。然而要在直方图呈多峰分布的复杂图像中搜索一个最佳多阈值组合对图像进行分割,它的高耗时性无法满足实时性的要求,而阈值的准确确定又是有效分割图像的关键。因此,快速准确地搜索到图像分割的多阈值组合将是问题的难点。然而要快速和准确地确定复杂图像中的多阈值最佳组合,使分割效果好且满足实时性要求,就必须寻求一种高效的算法来解决基于多值阈值法的图像分割问题。本文在前人工作的基础上,对粒子群优化算法及其在图像分割中的应用进行了研究。本文的主要研究内容如下:第一部分分别对粒子群优化算法的研究现状和图像分割方法的发展状况以及相关的基本概念进行了介绍,并阐述了本文的主要工作。在第二部分,为了提高粒子群算法的收敛速度同时提高算法的全局搜索性能,本文提出了一种新颖的改进型粒子群优化算法,该算法根据定义的两个因子:进化速度因子和聚集程度因子来共同确定并动态改变粒子速度更新公式中的惯性权重。算法为了进一步提高收敛速度,当群体最近几次迭代几乎停止收敛时,将根据适应度大小复制较好的粒子去取代较差的粒子,重新组合成一个较优的粒子群继续优化进程。通过对不同测试函数的仿真实验表明:改进型粒子群优化算法能显著地提高了粒子群优化算法的收敛速度和全局搜索性能。同时,本文改进的粒子群优化算法被应用于基于多值阈值法的图像分割实验中,实验表明:该算法能快速准确地找到分割阈值的最佳组合,取得好的分割效果且适合多峰直方图的复杂图像。