近些年常用的智能算法如遗传、粒子群、模拟退火、鱼群等算法已经应用于各领域的最优值求解,并能得出良好的结果。这些算法的搜索能力通常受到初始种群大小和各种初始参数的限制。通常当种群越大时其搜索能力就越强,但却要消耗更多的时间去求解。对此本论文使用较小初始群体数的智能算法对图像进行otsu阈值求解,先使用六种智能算法对几幅图进行阈值求解,将实验结果进行对比可知六种算法中鸟群算法在求取otsu阈值时得出的结果要优于其他五种算法。使用otsu阈值对图像进行分割时,噪声会对分割结果造成较为严重的破坏。为了消除不同噪声的影响,使用了几种滤波器对其进行滤波去噪,并根据“中值-均值滤波器”,提出另一种“定位-中值-高斯均值滤波器”,并通过去噪实验得出的结果可知“定位-中值-高斯滤波器”在过滤本论文定义的“未知噪声”时总体性能上要优于其他滤波器。对于中低强度的脉冲噪声,自适应中值滤波器具有良好的去噪效果,但对高强度脉冲噪声的去噪结果却不令人满意。有一种快速高效去除脉冲噪声的均值滤波器不仅在中低强度的脉冲噪声上优于自适应中值滤波器对高强度脉冲噪声也能进行良好的去噪,本论文在此滤波器的基础之上进行了改进,加入了自适应选择“中值-均值”过程,进一步增强了其对于低强度脉冲噪声的去噪能力。为了进一步增强鸟群算法在求解时的准确率和稳定性。本文提出了两种改进方法,一种为加入了遗传算法中选择变异环节的遗传变异鸟群算法,另一种是双鸟群混沌优化算法,它使用双鸟群并增加了混沌扰动环节。利用改进后鸟群算法对图像进行一维、二维的otsu阈值求解。通过实验结果可知,改进后的鸟群算法在求取一维阈值时在规定的迭代次数内均能准确的搜索到最佳阈值,其准确率几乎可达100%,结果要优于未改进的鸟群算法。在二维阈值求解时,求得的解比未改进前更接近准确的最优解,增强了算法的稳定性。使用改进后鸟群算法和改进后滤波器对包含噪声的图像进行阈值求解并进行相应的分割,通过实验可知即使在噪声污染下其分割后的结果仍拥有较高的准确率。