图像是人们获取信息最重要也是最直观的来源之一。因而,图像的智能化处理成为各国研究人员所关注的热点。为了提取图像中的关键信息,以便于理解图像的内容,则需要对图像进行分割。图像分割的方法有许多种,其中基于阈值的分割方法是图像分割方法中较为成熟高效和易于实现的一种方法。图像阈值分割主要由两部分组成,一是确定用来获取分割阈值的目标函数,这直接决定了图像的分割质量,二是在阈值数量增加之后,使用合适的优化算法以提高图像分割的效率和精度。本文对图像的多阈值分割算法进行研究,利用Sδ熵作为目标函数获取阈值,应用哈里斯鹰优化算法和多元宇宙优化算法对获取阈值的过程进行优化。本文主要的贡献和研究内容如下:（1）提出了以Sδ熵作为目标函数的图像阈值分割方法。Sδ熵最先由Tsallis等人提出,旨在讨论一种可能存在的‘弱相关’系统。在将其应用到图像分割领域之后,可以显著提高分割后图片的质量。实验结果显示了 Sδ熵作为目标函数在图像多阈值分割中的优越性。（2）在多元宇宙优化算法中引入了莱维飞行机制以改善算法的寻优能力,提高优化算法的种群多样性,避免陷入局部最优。与一些传统的群体优化算法,如粒子群算法和狼群算法相比,基于莱维飞行机制的多元宇宙优化算法在收敛速度和寻优精度上都有所提升。在将其应用于图像的多阈值分割后,提高了多阈值分割的效率。（3）哈里斯鹰优化算法作为新型元启发式优化算法的代表,其结构完整,考虑了多种优化时可能会出现的问题,有完善的从全局搜索到局部寻优的切换机制,寻优精度较高,稳定性较好。将哈里斯鹰优化算法引入到图像的多阈值分割,发现其在图像多阈值分割问题中存在收敛较慢的问题,通过改造该算法的全局和局部优化的切换机制,提升了该算法在多阈值寻优的能力。改进后的优化算法提高了分割后图像的质量,在峰值信噪比和结构相似度上均有提升。