图像分割作为图像处理技术的重要过程之一,一直是图像处理以及计算机视觉领域的重要研究课题。随着信息化时代的不断发展,简单的图像分割方法已经不能满足人们日益提高的分割需求。智能优化算法作为解决优化问题的重要方法,被广泛应用于工业、军事、医疗等多个领域,因此研究人员尝试将智能优化算法与图像分割相结合,从而获得更好的分割效果。教学优化算法（Teaching-learning-based optimization,TLBO）是一种受教学过程启发而提出的智能优化算法,因其优化过程简单、易于实现而受到研究人员的广泛关注。TLBO在处理最优值在原点附近的优化问题时具有明显优势,但在处理复杂问题时的优化能力有限,因此还需不断改进。为了提高TLBO整体优化性能,拓展算法在图像分割领域的应用,本文在基本TLBO的基础上进行了以下改进:（1）针对基本TLBO种群多样性差、易陷入局部搜索的缺点,提出了改进的NFDR-TLBO算法。改进算法在更新过程中引入了环形邻域和适应度值-距离-比例机制,重新定义了教阶段和学阶段中的更新规则,在保证了算法前期较强搜索能力的同时还增加了个体间的信息交互,提升了算法整体的优化性能。18个基准函数上的仿真结果表明NFDR-TLBO在求解精度和收敛速度方面有明显优势,在图像分割上的测试结果也显示出改进算法的有效性。（2）受集成优化思想的启发,提出一种集成的EMTLBO算法。新算法根据TLBO及其不同变体的特点,将基本TLBO、引入邻域结构的NSTLBO和与差分结合的TLBO-DE通过特定策略进行集成。新算法将种群分为三个子群,并根据适应度值和多样性的评估机制以及子群算法匹配机制为每个子群分配一个最优算法,让TLBO及其变体之间优劣互补,从而提高算法整体的优化性能。CEC2014和CEC2017测试集上的测试结果显示出EMTLBO在与TLBO变体和其他智能优化算法的比较中优化性能较好。在图像分割中,改进算法可以在大多数情况下获得图像最优阈值,进一步验证了算法的有效性。（3）提出了一种基于拐点的多目标教学优化算法KMOTLBO。新算法将单目标TLBO扩展到多目标领域,并将自适应拐点策略引入多目标TLBO中。自适应拐点策略通过调整每个解的邻域大小来保持识别的拐点与每个前沿中所有非支配解的适当比例,精准定位父代与子代混合种群中非支配前沿的局部拐点,以促进种群的多样性。KMOTLBO在保持种群多样性的同时还提高了整体的收敛能力,降低了算法陷入局部最优的可能。通过多个多目标测试函数的仿真测试,以及与其他优化算法的对比分析,验证了KMOTLBO求解多目标优化问题的有效性和可行性。此外,新算法在处理图像分割问题上也具有优势,进一步验证了算法的有效性。