针对原始鸽群优化的二维最大类间方差法（Otsu）图像分割算法收敛速度慢的缺点,提出了基于混合分数阶鸽群优化的Otsu图像分割算法。算法将分数阶与鸽群算法结合,利用分数阶微积分的记忆性,使鸽群依据更多历史记忆获取更精确最优值,并进行分数阶增强滤波预处理,提高分割精度,引入混沌搜索算法增强种群多样性,提高全局搜索能力。将Otsu算法的离散度矩阵作为改进算法的适应度值,从而快速搜索最佳阈值,进行图像分割。本文主要内容总结如下:（1）研究了传统图像分割算法。分析了各类图像分割算法的优点及存在问题。着重分析了最大类间方差法的优点及缺陷。基于灰度-梯度的二维Otsu算法与和传统二维Otsu算法相比,分割精度更高、抗噪性能更好,但并未解决运行效率低下的缺点。（2）研究了传统鸽群算法、分数阶微积分、混沌搜索算法。详细介绍了鸽群算法的生物学背景和鸽群算法的作用原理。分析了原始鸽群算法的优缺点,通过引入分数阶微积分和混沌搜索算法对鸽群算法的缺点进行改进,利用分数阶微积分的遗传特性和混沌搜索算法的多样性,增强鸽群算法的搜索能力和搜索效率。同时,为了提升分割图像精度,对图像进行分数阶增强的预处理,提升图像细节清晰度。（3）将改进后的分数阶混合鸽群算法与二维Otsu算法结合,提出了基于分数阶混合鸽群优化的二维Otsu算法（FPIO-Otsu）,将二维Otsu算法的离散度矩阵作为改进算法的适应度函数,达到快速收敛、准确寻找最优阈值的目的。实验结果表明,对各种不同类型的图像,本文算法分割效果均优于本文采用的对比算法。主观上,本文算法保证了人体视觉对分割图像细节的把控。客观上,与传统鸽群优化的二维Otsu算法和分数阶粒子群结合的二维Otsu算法相比,本文算法大幅提升了收敛速度,提高了算法效率,同时也取得了良好的分割效果。