萤火虫算法是一种基于群体智能的优化技术,具有自学习、适应性强与高度并行等特征,已被证明在解决各种优化问题时具有良好的性能。然而萤火虫算法同样存在群智能算法所具有的通病和缺陷,例如参数选取、早熟收敛、易于陷入局部最优、理论基础薄弱等。本文在研究萤火虫算法原理的基础上,综合基于数学的理论分析和基于数值的性能验证,从参数自适应、结构优化、模型优化等角度提出了三种改进策略和一种模型,并融合重构了一种适应性强的改进算法,所提出的改进算法在基准测试函数中进行实验,结果表明,这些策略能有效提高解的精度、降低计算时间复杂度。此外,图像分割问题作为计算机视觉领域的经典问题,是数字图像处理中最困难的问题之一,同时也是一类复杂优化问题。本文推动萤火虫算法解决实际应用问题,将改进的萤火虫算法应用于图像分割问题中,以高效的优化方法和分析技术实现图像处理自动化。上述方法在伯克利数据集上的结果也显示了改进的萤火虫算法进行图像分割的有效性和健壮性。本文的主要研究工作概括如下:（1）提出了三种改进策略和一种吸引模型,并融合重构了一种基于协方差精英选择的自适应萤火虫算法。针对标准萤火虫算法的步长在迭代过程可能会陷入局部最优,导致过早收敛的问题,提出了一种自适应步长策略,能够动态调整步长并指数递减。为了保留种群中适应度最好的、最有可能接近最优解的若干个体,提出了一种基于协方差矩阵选择精英的策略。针对邻域搜索算子停滞不前,困于局部最优的问题,提出了一种“惩罚”机制以破坏局部最优解的结构,使得算子跳出局部最优。针对标准萤火虫算法的全吸引模型中吸引次数过多的问题,提出双向引导模型。这个模型的主要思想是萤火虫在一次运动中会同时受到种群中一个精英和一个随机个体的影响,同时由于吸引次数的减少,大幅降低了算法的时间复杂度。最后,根据算法运行过程中各个阶段的特征,将三种改进策略和一种吸引模型进行模型融合和重构,得到的改进算法的性能得到明显改善,具有强适应性,很好地平衡了算法的局部开采和全局探索能力。（2）将改进的萤火虫算法应用到图像分割问题中。在传统灰度阈值分割问题中,以Kapur熵和Otsu最大类间方差法作为目标函数,采用改进的萤火虫算法寻找最优阈值。针对彩色图像分割问题,所提出的方法分为三个连续的阶段,在第一阶段,使用高斯滤波器平滑基于RGB颜色空间的三维直方图,消除直方图中彼此过于接近的不可靠和非优势峰值。在下一阶段,使用改进的萤火虫算法识别直方图中代表不同簇的峰值。最后,根据欧氏距离进行像素聚类,簇的数量可以自动确定而不需要手动预定义。