图像分割是数字图像处理和计算机视觉领域的关键技术之一,图像分割是图像识别的基础,其结果直接影响后续的操作。在现有的图像分割算法中,阈值法因其性能稳定、实现简单而被广泛应用。当图像中的目标与背景差别较为明显时,其直方图呈现双峰形状,单阈值法可取得较好的分割效果,然而,现实图像的直方图往往呈现多峰形状,更适合采用多阈值法。传统的多阈值分割方法根据某个特定的评价函数在整个灰度级范围内搜索最佳分割阈值,计算复杂度非常高,目前,较多使用智能优化算法进行求解。智能优化算法在解决复杂非线性的优化问题时,虽然不能保证获得最优解,但可以在较短的时间内获得令人满意的解,较为适用于多阈值选取问题。万有引力搜索算法是一种较新的智能优化算法,具有较高的全局搜索能力和较快的收敛速度。本文将其应用于多阈值选取问题,并针对阈值选取的特点,提出两点改进：(1)针对阈值为整数这一特点,提出了一种新的引力系数控制策略,避免了冗余的精度运算,大幅度提高了算法的收敛速度。(2)对最优个体进行变异操作,提高了算法跳出局部最优解的能力并进一步提高了求解质量。经大量仿真实验表明,本文算法可以较快的收敛于全局最优解,整体性能高于所有对比算法。为了提高本文方法的实时性,对其进行了并行加速。根据据算法本身的特点,分别对万有引力搜索算法和最大熵法进行基于CPU多线程技术和CUDA编程模型的并行加速。经仿真实验表明,在相同的条件下,并行化的方法较原方法的加速比达到了240%左右,已满足了工程应用的实时性要求。