图像分割技术是数字图像处理中最重要的一环,其效率和精度决定了后续图像处理工作的效率。由于图像的格式、类型的多样性和复杂性,以及对图像呈现的一些特殊目标要求,传统的阈值分割方法已不能满足,如何提高图像分割的效率和精度已成为目前亟待解决的问题。本文从求解2D-Otsu图像分割最佳分割阈值为出发点,将改进麻雀搜索算法和乌鸦搜索算法应用于2D-Otsu图像分割中,本文选择了四幅经典图像进行图像分割实验,通过比较各算法的最优阈值、适应度值、迭代收敛曲线和两个图像质量评价指标,结果表明NSSSA和ICSA算法在2D-Otsu图像分割上取得了良好的成效,本文的主要工作如下:（1）针对麻雀搜索算法收敛速度快,但收敛精度不高的问题,提出了一种非均匀螺旋的学习型麻雀搜索算法（Non-uniform spiral learning Search Sparrow Search Algorithm,NSSSA）。该算法使用一种新的学习选择策略来提高算法在优化过程中的学习能力,然后借助一种非均匀螺旋策略来平衡算法的局部发展和全局搜索能力。通过以上方法,在6个基准函数、CEC2013和CEC2017测试集上验证算法的有效性,实验证明,算法的寻解精度和速度都得到了提升,分割后的图像质量评价指标PSNR与SSIM值均更优。（2）为了避免乌鸦搜索算法陷入局部最优,提升其全局寻优能力,本文提出了一种改进的乌鸦搜索算法（Improved Crow Search Algorithm,ICSA）。改进算法引入差分变异微扰因子来加快种群内的信息交流,在提高收敛速度同时有效保证了其收敛能力;进一步引入模型参数动态递变规则来保证算法前期具有较好的种群多样性,在提升算法全局搜索性能的同时,也能有效保证算法后期具有较强的局部寻优能力。通过对6个基准函数和工程设计应用测试,证明了算法的收敛速度和求解精度得到有效改善,在四幅图像上的分割质量评价指标PSNR与SSIM值均得到了提升。