粒子群优化算法(PSO，Particle swarm optimization)是通过粒子间相互作用来发现复杂搜索空间中最优区域。它简单容易实现且功能强大，已经成为国际演化计算界研究的热点。论文在总结了已有的研究成果基础上，开展了粒子群优化算法及其在医学图像中的应用的研究，具体内容如下:　　(1)介绍了医学图像分割研究背景和意义，简要介绍了现有的医学图像分割的方法，进行了分类和比较;简要介绍了粒子群优化算法的基本原理及其研究现状，归纳了粒子群优化算法发展过程中的改进算法，例如惯性权重、收敛因子等模型，比较了一些常用测试函数及其演化算法。在这个基础上着重研究了MATLAB环境中粒子群优化算法的仿真方法，主要包括数据结构设计、进化信息跟踪以及参数设定等关键内容。然后，对三个典型的测试函数Rastrigin、Rosenbrock和Griewank进行了基于惯性权值因子递减的优化试验，得到了不同的结果并进行了分析讨论。标准粒子群算法中，当使惯性权重因子w在迭代的过程中线性递减时，函数的收敛性得到了很大的改善，Griewank函数已经基本全部能收敛于最优值。　　(2)大津法（Otsu算法）是目前运用较多的图像分割方法，是一种实现简单、效果较好的阈值分割方法。但当目标与背景比例较大、或者信噪比较低时，大津法的分割精度较差。本文将分析一维和二维的大津法，将其分别应用于医学图像的分割并进行比较，然后结合粒子群优化算法，将其应用于医学图像的分割，将其结果与前两种算法比较。实验证明，粒子群优化算法(PSO)与大津法结合的算法，对医学图像有良好的分割效果且图像分割速度较快。