在现实世界中,无时无处无不存在着优化问题。随着社会的发展,急需处理的优化问题越来越多样化和越来越复杂。例如,K-means聚类及其图像分割就是典型的复杂优化问题。而诸如牛顿法、梯度下降法等传统的数学方法不能够很好地解决这些优化问题。因此许多研究者创建了各种仿生类的智能计算模型,提出了许多智能优化算法（Intelligence Optimization Algorithm,IOA）,如灰狼优化算法（Grey Wolf Optimizer,GWO）、差分进化算法（Differential Evolution,DE）和郊狼优化算法（Coyote Optimization Algorithm,COA）等等。GWO是由Mirjalili等人于2014年提出的一种新颖的IOA。它具有原理简单、开采能力强、可调参数少等优点,但存在易陷入局部最优、解决复杂优化问题性能差等缺点,因此许多学者对其进行了研究和改进,其中,混合改进是最有效改进方式之一,成为智能优化领域的一个研究热点。单个IOA都有自己的优势和缺点,混合改进可以使两个IOA优势互补,克服二者不足。因此,本文对GWO进行深入研究,采用最经典的IOA代表—DE和最新颖的IOA代表—COA分别与GWO混合,得到两种有效的GWO混合算法。并将其分别用于解决K-means聚类及其图像分割的优化问题。本文主要研究内容如下:（1）针对GWO在解决复杂优化问题存在性能差的不足,提出了一种GWO与COA的混合算法（Hybrid GWO with COA,HGWOC）。首先,对COA进行改进获得改进的COA（Improved COA,ICOA）:其一、提出了一种高斯全局引导的成长算子以便提高搜索效率和收敛速度;其二、提出一种动态调整组内郊狼数的方案,使得前期全局搜索能力和后期局部搜索能力以及可操作性得到增强;然后,为了提高原有GWO的可操作性,简化其操作,提出一种简化的GWO（Simplified GWO,SGWO）;最后,采用正弦交叉策略将SGWO与ICOA二者融合获得HGWOC。大量的经典函数和CEC2017复杂函数优化的实验结果表明,与单独的COA和GWO相比,HGWOC具有更高的搜索效率、更强的可操作性以及更好的普适性。（2）为了弥补GWO探索能力较弱等缺陷,提出了一种GWO与DE的混合算法（Hybrid GWO with DE,HGWOD）。首先,对GWO进行改进:第一,将一种新的随机学习算子嵌入到GWO中,得到随机学习GWO（RGWO）;第二,将趋优反向学习算子随机融入到RGWO中,得到趋优反向学习RGWO（GRGWO）;第三,将Levy flight随机整合到GRGWO中得到LGRGWO。前三个算子的加入极大地增强了GWO的全局搜索能力。然后,为了增加算法的稳定性、多样性和加快运行速度,提出了一种静态DE;最后,将这种静态的DE与LGRGWO相结合形成HGWOD。在一系列经典基准函数和CEC2014复杂函数测试集的复杂函数上进行了大量的实验,实验结果表明HGWOD算法的性能优于GWO和其他先进的对比算法。（3）为了验证两种GWO混合算法解决实际优化问题能力,将其运用到K-means聚类问题上,来解决其初始聚类中心敏感以及易陷入局部最优的缺陷。具体说,将HGWOC应用于一般的K-means聚类和将HGWOD应用于基于直方图K-means的图像分割,实验表明与对比算法相比,基于HGWOC的K-means聚类方法和基于HGWOD的直方图K-means图像分割方法分别具有更好的聚类和分割性能,能更好解决K-means聚类及其图像分割问题。