20世纪80年代出现一类新的算法——群智能算法,它一出现便引起了广泛的关注,为社会经济等交叉学科的发展做出新的贡献,并成功推动了人工智能的发展。群智能算法是根据群体生物自然生活习性,综合每个生物个体智能而得到的一种具有全局优化性质的随机搜索算法。群智能算法相对其他数学优化方法的优越性主要体现在:(1)具有解决优化问题的一般形式,对优化问题条件依耐性少;(2)能够在短时间内搜索到问题的满意解,且能够解决大规模的优化问题。群智能算法的发展为解决困难优化问题,尤其是NP难问题上提供强有力的帮助。所以对这些优化算法的改进和应用研究显得十分重要。　　活动轮廓模型又称为Snake模型,它不同于计算机视觉理论所描述的自下而上的信息处理过程,它在充分利用高层信息的基础上,自上而下地处理信息,在图像分割、立体匹配、目标跟踪、轮廓提取等许多领域得到广泛应用。该模型的有限的搜索空间难以搜索到凹陷的目标边界,并且只能分割单个目标。Snake模型的这些缺陷限制了Snake的使用范围。将Snake模型和群智能算法结合,在不增加额外计算量的前提下克服Snake模型的这些缺陷。将群体智能算法应用到图像分割,进一步研究群体智能算法的应用。　　本文研究了改进粒子群算法及其与模拟退火的混合算法,讨论了基于多种群萤火虫算法搜索策略的活动轮廓模型。具体工作如下:　　第一,考虑粒子群优化算法中粒子间的协同作用,引入Gaussian核函数,研究基于区域影响的粒子群算法(GPSO)。为了充分利用粒子群算法的快速全局收敛性和模拟退火算法能够跳出局部最优陷阱的优点,得到高精度的最优解,将GPSO算法与模拟退火算法相结合,研究了一种新的混合粒子群算法。混合算法在GPSO算法处于停滞状态时候,于搜索到的最优位置用模拟退火算法扰动,继续寻找最优解。数值实验结果表明,新混合算法兼顾了GPSO和模拟退火算法的优点,具有收敛速度快、搜索精度高、鲁棒性好等性能。　　第二,为了克服传统活动轮廓模型不能准确处理凹陷边缘的缺陷,提出了多种群萤火虫算法用来提高活动轮廓控制点的搜索性能,使其能够正确搜索到真正目标边界。多种群萤火虫搜索每个控制点周围的一个随机初始化种群,每个种群可通过自身与其相邻两个种群的共享信息来更新,种群内的适应值最优的萤火虫所在位置被选为Snake模型轮廓上新的控制点。通过萤火虫之间的信息共享和相互协作,多种群萤火虫算法可扩大Snake模型轮廓控制点的搜索区域,提高寻优能力并加快收敛速度。