上世纪50年代中期创立仿生学以来，人们不断地从生物进化的机理中得到启发，提出了许多用于解决复杂组合优化问题的新方法，比如蚁群算法和粒子群算法等等，它们都是适于大规模并行且具有智能特性的优化算法，对于解决实际工程优化问题的复杂性、约束性、非线性、建模困难，有很好的效果。图像分割是图像分析和模式识别的首要问题，也是图像处理的经典难题之一。最大类间方差阈值分割法是目前应用比较广泛的一种方法，按传统的方法计算最大类间方差已经限制了这种算法的发展。为了加快最大类间方差方法求最优解的速度，本文将微粒群算法和最大类间方差阈值分割法相结合，提出了基于PSO算法的最大类间方差阈值分割法，在取得良好的分割效果的同时，运用算法的并行搜索机制显著地提高了分割速度。多年来计算机图形处理器(GPU)以大大超过摩尔定律的速度高速发展。图形处理器的发展极大地提高了计算机图形处理的速度和图形质量，并促进了与计算机图形相关应用领域的快速发展。与此同时，图形处理器绘制流水线的高速度和并行性以及近年来发展起来的可编程功能使其在诸如数字图像处理的通用计算领域的应用有着巨大的潜力。本文就是在它的启发下针对传统的蚁群算法对于大规模数据求解速度慢的缺点，提出了一种基于GPU加速的并行蚁群算法，将并行蚁群求解过程转化为GPU纹理并行渲染过程，使得蚁群算法在GPU中加速执行，并将其应用到实际问题当中在取得较好效果的同时提高了算法的运算速度，增大了蚁群算法处理问题的规模，并为普通用户的并行蚁群工作提供了一种可行的方法。