图像分割是图像信息挖掘的关键步骤。阈值分割因具备简单有效,计算量小的特点,而备受欢迎。但一维多阈值分割算法没有考虑到图像的局部信息,当图像场景较为复杂时,很难得到较好的分割效果。而二维多阈值分割算法的计算复杂度比较高,寻找最优阈值组合比较困难,当采用穷举法进行遍历搜索时将导致该算法的空间和时间复杂度很高,引入智能优化算法是一个不错的解决方案。生物地理学优化算法(Biogeography-Based Optimization Algorithm,BBO)是近几年发展起来比较新颖的智能优化算法。因BBO算法所涉及参数少、计算简单,再加上其特有的搜索机制,引起了许多学者的关注。虽然BBO算法有很多优点,但也有其局限性。由于传统的迁移操作容易导致种群出现相似个体,弱化算法搜索最优解的能力,算法在后期搜索中容易出现过早收敛的现象,从而导致出现局部最优解的问题;除此之外,算法通过随机的方式进行变异操作,对算法的全局搜索能力有一定程度的限制。本文为了解决多阈值图像分割中存在的空间和时间复杂度高的问题,引入了BBO算法来优化此问题。另外,为了提高BBO算法在多阈值图像分割中的全局搜索能力,提出了一种改进的BBO算法。主要研究工作如下:(1)研究了图像分割中最大熵和指数交叉熵多阈值分割方法。详细描述了斜分状态下的二维指数交叉熵阈值分割准则,并将斜分法推广到多阈值分割中。(2)为了提高BBO算法的全局搜索能力,在分析BBO算法及其优缺点的基础之上,提出了一种改进的BBO算法。首先,将精英选择算子应用到BBO算法中,保留几组最优解;然后,提出了基于选择算子的最优解和随机解融合方式的迁移策略,以减少传统迁移操作过早收敛以及无效迁移的行为;最后,提出了二进制变异操作,以减少传统变异操作的盲目性。(3)将改进的BBO算法应用到二维指数交叉熵多阈值图像分割中。为了降低二维指数交叉熵多阈值分割的计算复杂度,本文利用斜分法代替传统的直分法。(4)在MATLAB的平台上,对基于本文提出的改进BBO算法的二维指数交叉熵多阈值图像分割进行仿真实验,并将其与其他智能优化算法进行对比仿真实验。结果表明本文改进的BBO算法具有较好的分割效果。