由于标准粒子群优化算法容易陷入局部最优,因此其收敛精度较低。针对这个问题,提出了两种通过改进粒子学习方式来在低维条件下避免算法陷入局部最优的改进粒子群优化算法。在这两种改进粒子群优化算法的迭代过程中,每个粒子不再固定的向自身历史最优位置与全局历史最优位置进行学习,而是根据代码中随机生成的粒子矩阵的行顺序以及两种不同的选择规则,使粒子仅向自身历史最优位置或位于其上方的某个粒子的历史最优位置学习,在尽量避开了对全局历史最优位置的学习的同时增加了对其它粒子信息的利用。这种学习方式减少了全局历史最优位置的吸引,增加了粒子更新位置时信息来源的多样性,从而避免算法陷入局部最优。本文在5个测试函数上对两种改进粒子群优化算法进行了测试,并将测试结果与标准粒子群优化算法,一个粒子群优化算法变体:量子粒子群优化算法以及其它两种元启发式算法:遗传算法,鲸鱼优化算法进行了比较。最后,将两个改进粒子群优化算法与二维Tsallis熵结合对数据集BSDS500中的100张图像进行分割,并将分割结果与元启发式算法:粒子群优化算法,量子粒子群优化算法,遗传算法,鲸鱼优化算法以及神经网络Unet的分割结果进行对比展示,然后将这两种改进粒子群优化算法与这些元启发式算法的分割结果进行量化对比。两次实验的结果表明本文所提出的改进的粒子群优化算法,通过减少粒子对全局最优值的学习以及增加对其它粒子信息的应用,可以在低维环境下避免算法陷入局部最优。