布谷鸟算法(Cuckoo Search Algorithm,CS)是受布谷鸟借巢产蛋繁殖行为所启发的一类元启发式优化方法。因其结构简单、运算速度快、全局搜索能力强等优点,布谷鸟算法自被提出后便在各种仿生类算法中脱颖而出,迅速成为国内外学者研究和讨论的一大热点。本文在前人研究的基础上,针对布谷鸟算法仍存在收敛速度慢,寻优精度不高等问题,提出了两种新的改进布谷鸟算法,并将其应用于多阈值图像分割中。其主要工作可以概括如下:为了解决布谷鸟算法的早熟收敛问题,本文提出了一种混合差分进化的布谷鸟算法(Hybrid Cuckoo Search and Differential Evolution Algorithm,CSDE)。该算法在全局搜索过程中先判断种群是否出现聚集现象,然后对早熟个体采用差分进化操作以增加种群多样性;在局部搜索中则将偏好随机游走策略与差分进化策略相结合提高局部搜索能力。在CEC 2013的28个基准函数上进行的仿真实验,验证了CSDE算法同标准的布谷鸟算法及其它类似的元启发式算法相比具有更大的竞争力。针对布谷鸟算法种群内缺乏信息交流机制,没有及时利用更新后个体的有用信息导致收敛速度慢、寻优效果差等问题,本文提出了一种基于双子种群和信息共享策略(Dual-subpopulation and Information-sharing Strategy,DSIS)的布谷鸟算法。DSIS策略将整个种群划分为两个子种群,并为每个子种群提供不同的更新策略,且促使后一个子种群可以有效地利用前一个子种群在收敛方向上的信息来完成更新任务,加快算法的收敛速度。实验数据充分表明该策略不仅能有效地提高标准布谷鸟算法的优化性能还有利于提高多种CS变体的优化性能。最后,本文进一步将提出的CSDE算法和DSIS＿CS算法应用在多阈值图像分割中。基于Otsu法确定算法优化的目标函数,通过多幅测试图像且在多个不同阈值的条件分别验证了这两种分割方法的实用性。