最优化问题是工作与生活中常见的重要问题,群体智能优化算法是复杂优化问题求解的最有效的方法之一。种子优化算法（BOA）是一种新颖的群体智能优化算法,主要通过仿生自然界植物种群的自适应现象对复杂问题进行求解,具有较强的全局寻优能力和较快的收敛速度,目前已经应用于恢复重建排序、目标搜索等多个领域,但其仍存在一些不足,如算法参数设置较复杂、精细寻优速度慢等问题。因此,如何对BOA核心的搜索模型进行改进和完善,提升BOA精细搜索性能,改善参数设置的友好程度,具有重要的意义。本文重点关注BOA精细搜索存在的问题,提出了两种算法改进方案,并将其应用于多阈值图像分割中,主要研究内容如下:（1）为了改善BOA全局搜索的多样性并提升精细搜索效果,设计并构建了基于Lévy飞行的种子优化算法（LBOA）。LBOA通过在BOA核心的后代种群分布模块中引入Lévy飞行机制,对一定比例的个体进行不同的位置扰动。通过在BOA演化的前中期设置较大的Lévy飞行步长权重,提升BOA的全局搜索能力收敛速度;在BOA演化的精细搜索阶段,设置较小的Lévy飞行步长权重,提升BOA的精细搜索性能。最后通过与其他主流群体智能算法的对比实验验证了LBOA的性能。（2）借鉴差分进化算法（DE）高效局部搜索的特点,设计并构建了融合DE算法的种子优化算法（DBOA）。DE具有收敛速度快的优点,在处理某些复杂优化问题上表现优异。首先,将DE中的核心的变异算子引入BOA,更好的促进种群内部信息交流,提升算法的全局寻优性能;之后,结合选择操作,控制种群的整体进化方向,提升种群的收敛速度及收敛精度。最后通过与其他主流群体智能算法的对比实验验证了DBOA的性能。（3）基于对上述BOA算法的改进,选择较优的LBOA和DBOA应用于求解基于最大熵准则的多阈值图像分割问题,以Kapur熵分割函数构建算法的适应度函数,进行优化计算,解决了使用传统方法分割耗时过长的问题,同时进一步提升了使用群体智能优化算法分割图像阈值的效率和精准度,并通过对比实验验证了算法的性能。