群智能优化算法具有操作简单、收敛速度快、全局收敛性好等优点,受到了学者的广泛关注,对其的研究也日臻成熟。其中,教与学优化算法是由R.V.Rao等人近年来提出的一种新的群智能优化算法,该算法模拟了现实生活中教师与学生之间的教与学过程,通过教师的教和学生之间的相互学习来提高班级的成绩,从而达到寻找全局最优解的目的。本文对教与学优化算法进行了深入研究,发现教与学优化算法在全局搜索能力和收敛速度等方面都有着改进空间,此外,教与学优化算法在解决问题,尤其是针对大规模复杂多峰问题时,容易陷入局部最优解。针对教与学优化算法存在的问题,本文提出了一种基于K均值的教与学优化改进算法,并且在图像分割领域进行应用。主要内容包括:第一,针对教与学优化算法收敛能力有待提高以及对大规模复杂多峰问题进行优化时易于陷入局部最优的问题,提出了基于K均值的教与学优化改进算法。通过K均值聚类对班级进行划分,形成多个小组,进而在小组内进行教学,实现多个教师教学的目的,增强算法的搜索能力。同时,算法对教学因子和学习阶段进行相应的改进,自适应的教学因子可以使得算法前期快速收敛,后期又能够进行精密搜索。此外,变异操作的加入可以保持种群的多样性,避免算法早熟,陷入局部最优,使得算法能够获得全局最优解。通过与现有群智能优化算法和原始教与学优化算法的对比实验,本文所提算法能够获得更好的优化结果,得到更优的全局最优解。第二,将基于K均值的教与学优化算法与最大熵多阈值选取技术进行结合,提出了基于KTLBO算法的图像分割方法,并应用到医学细胞图像分割和计数系统中。通过将基于K均值的教与学优化改进算法与最大熵多阈值选取技术结合,可获得更大的最大熵以及更优秀的图像分割结果。针对医学图像中的细胞图像分割和计数这一实际应用场景,使用基于KTLBO算法的图像分割技术,设计并实现细胞图像分割和计数原型系统。本原型系统获取的分割与计数结果,对于三维可视化、定位和计算机辅助诊断等具有重要的意义。