微粒群优化算法（Particle Swarm Optimization，PSO）是基于模拟鸟群觅食行为而提出的一种新型的群体智能算法，它通过个体间的相互协作和竞争来实现全局搜索。微粒群优化算法的最大优势在于算法的简洁性，没有太多参数需要调整。因此得到了学术界的广泛重视，并成功应用于函数优化、神经网络训练、数据挖掘等领域。　　 由于PSO的发展历史尚短，作为一种崭新的随机搜索算法，仍旧存在着早熟收敛和收敛较慢这两个难题，另外还存在种群多样性随代数增加下降过快、有可能不收敛到全局最优解（陷入局部最优点）等缺点。本文针对微粒群优化算法的早熟收敛，收敛速度较慢等缺点，在现有的微粒群优化算法的基础上对其进行了若干改进，具体工作如下：　　 1．将排雷策略应用到微粒群算法当中，使PSO更容易逃脱局部极值，在很大程度上解决了PSO的早熟收敛问题；　　 2．在算法的迭代过程中结合了局部搜索算法——旋转方向法，加快了微粒群算法的收敛速度，同时提高了全局最优值的精度；　　 3．为了避免种群初始化时过于集中于某一区域影响算法的收敛速度，本文在种群初始化时采用分区域随机产生微粒的办法；综合上面3个方面的改进，最终形成了一种新的微粒群优化算法——排雷微粒群算法。对几个典型优化函数的寻优实验表明，和其他PSO改进算法相比，在解决早熟收敛和收敛较慢等问题上，排雷微粒群算法效果更加明显。　　 图像分割是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。阈值分割法被认为是一种有效的图像分割方法。阈值的确定是阈值图像分割的关键，传统方法要在全灰度范围内搜索多阈值最佳门限组合将十分耗时，无法满足图像分割对精确性，实时性的要求。为了快速而准确地搜索到最佳多阈值的门限组合，使图像分割结果更准确，本文尝试将排雷微粒群算法应用到多阈值选择当中。通过两幅典型图像的分割实验表明，和其他算法运用到阈值分割相比，排雷微粒群算法的分割效果更好。