在交通领域,交通图像的种类繁多,包括车牌图像、车辆图像、道路图像以及交通标志图像,而且交通图像容易受到噪声的污染,因此研究交通图像处理技术具有重要意义。交通图像分割结果直接影响交通图像的后续处理,而传统的基于聚类的交通图像分割算法存在适应性不强且容易陷入局部最优的缺陷。由于混沌优化算法具有较强的全局搜索能力,本文通过对混沌优化算法进行研究,针对混沌优化算法存在的不足进行改进,并将改进后的并行混沌和声搜索算法应用到交通图像分割当中,提出了并行混沌和声搜索聚类算法。此外,本文还将混沌运用到多目标优化问题,提出了多目标混沌优化算法,通过将多目标混沌优化算法运用到交通图像分割当中,提出了多目标混沌优化聚类算法。本文的主要研究工作分为以下四大块:虽然混沌优化算法具有很强的全局搜索能力,但是混沌优化算法存在对初始值较为敏感且局部搜索能力不足的缺陷。针对混沌优化算法对初始值较为敏感,采用并行混沌搜索的机制进行改进;针对混沌优化算法局部搜索能力不足,将其与和声搜索算法相结合。通过引入交叉操作以及合并操作,将混沌用于对多目标问题进行优化,本文提出了多目标混沌优化算法。该算法首先运用混沌载波进行全局搜索,然后再通过交叉操作以及合并操作进行局部寻优。此外,通过加入自适应变化的噪声,多目标混沌优化算法的自适应性得到加强,与此同时,优化效果也得到进一步提升。通过将并行混沌和声搜索算法与聚类技术相结合,本文提出了并行混沌和声搜索聚类算法,并将该算法与硬聚类算法以及模糊聚类算法进行比较。实验结果表明,并行混沌和声搜索聚类算法相比硬聚类算法以及模糊聚类算法具有更好的交通图像分割效果。通过将多目标混沌优化算法与聚类技术相结合,本文提出了多目标混沌优化聚类算法。通过实验仿真,确定了多目标混沌优化聚类算法的优化指标:XB和Jm。最后,将多目标混沌优化聚类算法与并行混沌和声搜索聚类算法以及多目标遗传优化聚类算法进行对比,实验结果表明多目标混沌优化聚类算法具有更好的适应性和交通图像分割效果。