支持向量机(Support Vector Machine SVM)被广泛用于纹理图像的分割，而其参数选择的恰当与否会对数据的训练和收敛性带来很大的影响。目前对于SVM参数的优化方法主要是群智能算法，针对每类优化算法的泛化性不强的问题，优化算法本身的改进和混合智能算法的思想成为研究热点。本文通过研究群智能算法的改进和群智能算法的混合两方面入手，对粒子群算法进行改进，并且与其他群智能算法混合，提高算法性能后，应用于支持向量机的参数优化，最终将优化得到的支持向量机模型应用到多种纹理图像的分割中。本文首先介绍了支持向量机的基本原理以及目前已存在的支持向量机的种类，分析了模型中参数对其性能的影响，对传统粒子群算法的惯性权重改进，并将改进后的粒子群算法，用于优化支持向量机参数。为了验证基于本算法优化的支持向量机在纹理图像的分割效果，本文对两种不同图源的纹理图像，即电镜图像和超声图像进行分割。实验结果表明，改进后的粒子群算法用于纹理图像分割所获得的分割结果，在寻优时间或者寻优结果优于使用遗传算法和网格法所获得的分割结果。其次，为了提高整个算法的稳健性，文中首先对基于小生境和交叉选择算子的粒子群算法做出了改进。首先在该算法中引入了变异机制，对适应度值略差的粒子进行变异交叉选择等操作，其次在该算法中引入族外竞争机制，对于不同种群间的粒子形成竞争操作，最后将改进后的基于小生境和交叉选择算子的粒子群算法与人工鱼群算法的并行混合，将该混合后的算法用于支持向量机的参数优化。实验结果表明改进后的基于小生境和交叉选择算子的粒子群算法与人工鱼群算法的混合算法对SVM参数的优化。相比于小生境和交叉选择算子的粒子群算法，改进的粒子群算法，人工鱼群算法的实验结果，本文方法对两种纹理图像的分割结果也很理想，分割模型稳健性相对提高。为了更好的说明本文所提出的方法在SVM参数的优化上的优势，本文对比讨论了另外四种传统的参数优化算法：人工蜂群算法、蚁群优化算法、差分进化、模拟退火，以及这四种算法分别与基于小生境和交叉选择算子的粒子群算法混合后形成的混合算法，分别将这八种算法对SVM参数进行优化，并且将优化过的SVM分类器用于两种纹理图像的分割，最后根据类别标记进行图像重建。实验结果表明，本文方法能够更好的获得适用于纹理图像分割的SVM参数，不仅使得分割结果优于其他八种算法方法，而且算法的稳健性也有很大优势性。