图像分割是图像处理和计算机视觉领域低层次视觉中最基础,最重要的领域之一,同时具有广泛的应用价值。目前,现有的分割算法在实际的应用领域中都存在各种各样的问题,诸如耗时性,目标的轮廓模糊、断裂,或者重要细节被忽视掉,等等。本文针对这些问题展开一系列研究,主要内容如下:首先,分析和总结现有的分割算法,选取阈值分割法中经典的Otsu算法作为中心点展开研究,并结合了全局智能优化算法,即遗传算法作为进一步研究的一个出发点。其次,针对二维0tsu自适应阈值算法计算复杂度高的问题,提出一种新的快速有效的0tsu图像分割改进算法。该算法通过求两个一维Otsu法的阈值来代替传统的二维Otsu法的分割阈值,使得分割的计算复杂度从O ( L4 )降到O ( L )。为保证分割对象的完整性,算法引入类内最小离散度的概念。理论分析和实验结果表明本算法计算速度不仅优于原二维Otsu算法,而且分割效果较好。最后,为了进一步克服Otsu算法的耗时性,本文结合了一种改进的遗传算法对阈值进行寻优。算法引入了群体的聚集程度,并以此作为一个交叉、变异概率的划分尺度,从而自适应的调节了交叉、变异概率,实验结果表明本算法较好的避免了“早熟”问题,具有良好的实时性,同时分割效果比传统遗传算法和AGA效果要好。