分布估计算法是将概率模型引入到优化算法当中而形成的一种新型的优化算法,它通过统计学习的手段来构建概率模型,并利用对模型的采样来实现种群的进化,其中贝叶斯优化算法是分布估计算法中的典型代表,它定位准确,且能有效地避免连锁问题,但是统计学习的引入会给算法带来新的时间和空间上的开销,即贝叶斯优化算法在构建概率模型时,不但需要先验知识,而且计算量很大,计算时间较长,这也是限制贝叶斯优化算法应用的主要原因。贝叶斯优化算法的核心是贝叶斯网络,其计算量也主要集中在贝叶斯网络的构建上,为了降低贝叶斯优化算法的计算量,本文提出了一种基于免疫算法的贝叶斯优化改进算法,通过减少贝叶斯网络的构建次数来降低算法的计算量。免疫算法通过模拟人体的免疫机理,可以利用问题的先验知识和局部特征来引导整个寻优过程,从而提高算法的收敛速度,因此本文将免疫算法与贝叶斯优化算法相结合,利用免疫算法的导向性变异,对贝叶斯网络产生的解进行变异,从而提高种群中个体的适应度,减少贝叶斯网络的构建次数。仿真结果表明,与传统的贝叶斯优化算法相比,基于免疫算法的贝叶斯优化改进算法可以有效地减少计算量,缩短运算时间,并且寻优能力也得到了提高。同时,针对遗传算法在图像分割中易于陷入局部最优的问题,本文将基于免疫算法的改进贝叶斯优化算法应用于图像分割,利用其较好的寻优能力,搜索到图像的最佳阈值,达到较好的图像分割效果。该算法利用贝叶斯网络对像素进行编码,利用贝叶斯网络采样来产生新的像素值,并利用最大类间方差法确定适应度函数,通过搜索适应度函数的最优解来确定图像的最佳分割阈值。仿真结果表明,与遗传算法相比改进后的贝叶斯优化算法可以得到更好的图像分割效果。目前国内外还没有将贝叶斯优化算法应用于图像分割的论文发表,本文将贝叶斯优化算法引入到图像分割当中,不但拓展了算法的应用领域,还可以为图像分割寻求新的解决途径。