近年来，随着多种仿生智能优化算法的提出和广泛应用，这种效仿自然界中生物进化规则的新型优化算法倍受研究者的关注。它们成了优化算法的重要研究方向，人们越来越肯定它们的研究价值，它们各自在实际应用中的优势也越来越突出。目前，仿生智能算法已经在优化计算、模式识别、自动控制、生物医学工程、信号图像处理、电气工程、机械工程、通信工程、经济管理等多领域取得了成功应用。图像分割是图像工程里的关键步骤，它的原理就是从图像中把目标或感兴趣的区域从背景中提取出来，分割的效果关系着图像信息的质量所以，图像分割是人们研究的热点领域，该领域正处于发展当中，至今还没有一个万能的分割算法和评价标准。图像分割与提取应用领域非常广泛，例如医学、军事、工业自动化、生产过程控制、文档图像处理、安保监视、在线产品检验、农业工程、遥感等领域都离不开图像分割技术。模糊C均值（FCM）算法是聚类分析的方法之一，也是目前应用最为广泛的非监督分类算法。不过，该算法存在明显的缺点：提前设定聚类数目、对初始聚类中心的选择很敏感、容易陷入局部最小值等。本论文对生物地理学优化算法（BBO）进行了详细的介绍，该算法正处于成长阶段，涉及的应用领域也较少，所以本文的创新之处就是将该算法和模糊C均值算法相结合从而组成了新的混合聚类算法（BBO-FCM），并将此新型混合聚类算法用到图像分割领域。新算法的理念就是用生物地理学优化算法的优点填补模糊C均值算法的缺点。BBO算法具有较强的全局搜索能力，用该算法来优化FCM算法的聚类准则函数，利用生物种群在多个栖息地之间迁移的全局搜索能力，有效克服了FCM算法对初始值敏感，易陷入局部最优的问题，而且混合算法还保留了BBO算法的变异操作和精英保留操作，增强了算法的寻优能力；另外，传统的FCM算法用于图像分割方面还存在一个问题：不能充分利用邻域像素之间的信息，而BBO算法的迁移操作正好可以解决这个问题。文论文不仅设计了BBO-FCM算法，而且也设计了PSO-FCM算法、AFSA-FCM算法及ABC-FCM算法的融合，并且将这四种算法应用于iris数据集和wine数据集进行数据聚类，初步检验这四种算法聚类的能力，实验证明了BBO-FCM算法在此方面具有明显的优越性。然后论文的最后一章节用上述四种算法及原始的FCM算法对八组不同的图像进行分割，从定性和定量双重分析结果来看，新型混合优化算法（BBO-FCM）在图像分割领域表现出很强的优势，效果明显优于传统的FCM算法和其他几种用于对比的仿生优化算法。