人们在日常生产生活中会遇到大量的复杂优化问题。这些复杂优化问题很难在合理的时间范围内采用常规方法解决。自然界中的生物行为往往趋向于对自我或种群有利的方向繁衍和进化。随着对仿生智能计算方法研究的不断深入,群体智能算法作为一种重要的计算方法在最优化领域得到了广泛的应用。由于应用场景的扩大和问题复杂度的提高,如果群体智能算法采用大规模种群进行寻优,将存在寻优效率低和耗时较长的问题。近年来,随着计算机图形硬件的快速发展,由于其高速的数据处理能力和逐渐成熟的软件编程体系,其逐渐在通用计算领域得到了越来越多的应用。针对上述问题,可以基于GPU从异构计算的角度研究仿生优化算法的内在并行特性,从而对算法进行优化和加速。本文通过分析不同粒度下的群体智能算法的并行设计方案,提出了一种并行群体智能优化算法设计方法,并解决了其中涉及到的关键问题。进而设计实现了并行粒子群算法、并行人工蜂群算法和并行人工鱼群算法。实验表明本文设计的并行算法能够有效提高群体智能算法的执行效率,证明了所提方法的有效性和高效性。图像分割是数字图像处理和计算机视觉领域的关键技术之一。阈值法由于其实现简单和性能稳定而被广泛应用。多阈值分割相较于单阈值分割可以得到更丰富的图像信息。由于采用群体智能算法对图像进行多阈值分割存在着复杂度过高的问题,结合上述提出的群体智能并行化方法,本文研究基于GPU加速的并行群体智能算法用于图像分割从而提高算法效率。基于并行粒子群算法的实验表明,算法效率得到了显著提高并取得了较好的分割效果。