传统多阈值分割法采用穷举法计算阈值对图像进行分割,存在运算时间过长的缺点,难以满足实际应用的需求。而启发式算法可以在问题的解空间（可行域）中以跳跃的方式进行搜索,迅速找到问题的近似最优解,将启发式算法应用于图像分割领域,能够有效地弥补多阈值分割耗时长的不足。因此本文对结构简单、性能优良的启发式算法——乌鸦搜索算法（Crow Search Algorithm,CSA）的原理与应用进行了较为深入的研究,在此基础上,针对CSA寻优策略中存在的盲目性与易陷入局部最优的不足进行了改进,并将改进的CSA应用于图像多阈值分割领域,具体如下:（1）深入地分析了CSA的基本原理、搜索机制及相关参数,对CSA的应用领域进行了细致地分类概述,阐述了CSA的优势与不足,为后续对CSA进行改进研究打下了基础。（2）提出了一种基于精英分享策略与Levy飞行策略改进CSA的方法。将精英分享策略、Levy飞行策略与变尺度系数的相互结合,弥补了CSA随机搜索的盲目性和易陷入局部最优的不足,提高了寻优准确性;以Kapur熵作为适应度函数,对测试图像进行分割实验,并与CSA和布谷鸟搜索（Cuckoo Search,CS）等算法进行对比分析。实验数据显示,相较于其它算法,改进CSA分割后图像的Kapur熵与结构相似度（Structural Similarity Index,SSIM）更高,分割效果更好。并且改进CSA的标准偏差（Standard Deviation,SD）低,稳定性好,能有效地弥补传统CSA的盲目性和易陷入局部最优的缺点,稳定准确地分割复杂图像。（3）提出了一种基于Logistic混沌映射改进CSA的方法。在乌鸦种群初始化阶段采用Logistic混沌映射理论进行指导,使得初始化后的乌鸦种群均匀分布在解空间中,保证初始解的质量,同时降低了算法陷入局部最优点的可能性;为提高寻优准确性,在乌鸦位置更新过程中加入自我学习部分和向群体学习部分;为了全局寻优与局部精细寻优的平衡,设置动态协调因子,加快了算法的收敛速度。应用基准测试函数验证了改进CSA的寻优性能。将改进的CSA应用于求解最大类间方差（Otsu）多阈值图像分割问题,并对测试图像进行了分割实验。实验结果表明,该算法提高了峰值信噪比（Peak signal-to-noise Ratio,PSNR）、稳定性及运算效率,分割效果较为理想。