医学图像作为重要的医学信息和诊断依据,对它的处理和分析,一直是生物医学领域的重要课题。医学图像处理领域存在着大量的优化问题,如图像的分割、配准、融合、压缩、重建等等,因此,优异的优化算法在医学图像处理领域起着至关重要的作用。群体智能算法是一种基于随机机制的优化算法,它可以灵活应变群体内部及搜索环境的变化,在解决优化问题上具有独特的优势。近年来,经典的群体智能算法,如粒子群算法(Particle Swarm Optimization, PSO),受低等自然生物群体的社会性行为启发所产生,受到广泛研究,并成功应用于图像处理领域多方面的优化问题中,但实际应用中仍然存在着收敛速度慢和早熟收敛等问题。人类作为世界上最高等的社会性动物,基于人类的社会性行为启发的优化算法极有可能解决这些问题,最近提出的头脑风暴算法(Brain Storm Optimization, BSO)是目前仅有的少数这类算法之一。为此,本论文以人类头脑风暴过程为启发,提出了基于讨论机制的头脑风暴优化算(Discussion Mechanism based BSO, DMBSO),并进一步修正和完善该讨论机制,引入了差分步长策略,改善算法的自适应能力,大大提高了算法的收敛速度。实验以20个常用的经典测试函数为测试集,包含单模、多模和复合函数,全面地对所提出的算法进行了评估,并将其结果与原始BSO算法以及经典的PSO算法和差分进化(Differential Evolution, DE)算法进行比较,结果表明该算法在最优值搜索和收敛速度上均具有非常大的优势。随着移动设备的发展,除了传统的生物医学课题,如医疗仪器、医学图像分析技术等,移动医疗(Mobile Health)成为生物医学领域的又一热门课题。本论文另一研究内容为基于视频图像的非接触式运动定量分析方法研究,并提出将BSO算法应用于运动分析领域。运动的客观定量评价一直是移动健康领域的研究热点。一方面,它可以客观地衡量一个人的运动进程,督促他／她坚持定期定量的锻炼,改变一个人的行为习惯；另一方面,它还可以为研究人员和健康专家提供更为科学的研究手段。目前,运动的客观定量评价均需要佩戴额外的设备,不但价格昂贵,也给人们的使用带来了诸多不便,而且还会由于佩戴错误导致测量不准确。本论文提出了一种全新的基于视频的非接触式运动定量分析方法,不仅可以进行运动的识别,还可以实现运动周期的自动计数和运动强度估计。该方法以光流场为基础,通过线性标定对实际运动的速度场进行估测,而速度场包含了丰富的运动信息。实验以仰卧起坐、俯卧撑、开合跳及深蹲起四种常见的室内运动为研究对象。具体来说,运动的识别以光流场方向统计直方图为特征、以隐马尔可夫模型(Hidden Markov Model, HMM)为分类器,利用Youtube上的视频组成的测试集进行了测试,结果表明运动识别的准确率高达92.5%；针对运动的计数,本论文提出了主光流的概念,利用其记录身体在整体运动过程中的速度幅值变化,并进一步通过分析主光流的极值点,实现了运动的自动计数,实验表明了该方法的有效性和准确性；而对于运动强度的估测,本论文以运动过程中产生的机械能为依据,提出了根据速度场计算运动过程所产生机械能的方法,进一步根据机械能估测运动强度,并将估测结果与Oxycon Mobile系统测得的标准数据进行了比较,实验结果表明了该方法可以准确反映运动强度。最后,本论文进一步将BSO算法应用于基于视频图像的运动识别中。隐马尔科夫模型可以有效地对时间序列数据进行建模,其训练过程是识别效果的关键。HMM的训练过程是不断调整各参数使得输出观测序列数据的概率最大的过程,所以,本质上其训练过程属于优化问题。传统的Balm-Welch算法使用广泛,但其极易陷入局部最优,进而导致识别准确率降低。本论文中将BSO算法应用于HMM的训练中,实验结果表明这一方法可以有效提高HMM的训练结果,进而提高识别准确率。