智能优化算法是对自然界智慧的一种模仿,该算法在智能性和健壮性方面表现良好,并且具有较好的并行性,全局搜索能力较强,自适应能力良好,智能优化算法因其以上优点,引起广泛关注。混合蛙跳算法(SFLA)是一种较新的智能优化算法,该算法结合了粒子群优化算法的全局搜索和模因算法的局部启发式搜索这两者的优点,在进化过程中先进行局部精确搜索,再利用子种群个体间的信息共享进行全局搜索,两者相互结合直至找出全局最优解。SFLA结构较为简单,比较容易实现,控制参数较少,在全局搜索能力方面表现较佳。但该算法也存在计算复杂度高、优化效率不理想等问题。为了有效提高SFLA的性能,本文通过对其算法进行研究分析,提出了两种改进方案,并将改进的算法用于多阈值图像分割中。主要研究内容如下:(1)对于SFLA子种群内的复杂更新步骤进行深入分析,提出了一种基于差分进化策略的混合蛙跳算法。该算法摒弃了原算法中在子种群内每次只更新适应度值最差的青蛙这种方法,改为每次在子种群内更新所有青蛙;在进行子种群内更新时,采用一种基于差分进化策略的混合扰动更新方法代替原来SFLA中需要经过复杂的条件选择的方法,并将榜样学习法引入其中,提高算法的优化性能。此外,新的算法去掉了原算法中的随机更新方式。实验结果表明,改进算法可以提高整体的优化性能。(2)针对原始SFLA个体之间共享性差的缺点,将生物地理学算法中共享性较强的迁移算子嵌入到SFLA中,形成一种基于生物地理学学习的高效SFLA算法。新的改进还包括将差分变异策略和榜样学习法融入其中。实验结果表明,该改进提高了SFLA的优化性能。(3)基于对以上混合算法的分析,将其应用于解决最大Renyi熵以及最大类间方差多阈值图像分割中存在的阈值向量选择不准确、分割速度慢等问题,提出两种新型的多阈值图像分割算法。通过实验所得结果可以表明,新提出的方法能够准确地找到图像分割的最优阈值组合,并且速度较快,所进行的分割行之有效。