人工鱼群算法(Artificial Fish Swarm Algorithm, AFSA)是一种基于鱼群行为模拟的群体智能优化方法,近几年在电力系统、控制器设计、图像与数据聚类等工程领域得到了成功的应用。实践证明,AFSA对初值和参数不敏感、鲁棒性强、收敛速度快、克服局部极值能力强,是一种高性能的优化方法。但是对于复杂工程优化问题的求解,人工鱼群算法的计算量大,运行时间长,从而限制了其应用范围和可扩展性。为了提高算法运行效率,并行化是一条重要途径,然而目前尚不存在对人工鱼群算法并行化方面的研究。近年来,随着计算机图形处理器可编程性的不断提高,GPU通用计算的研究渐渐活跃起来。本文针对人工鱼群算法在实际应用中的不足,结合GPU的高速并行性,提出了一种基于GPU加速的并行人工鱼群算法(GPU-AFSA),将人工鱼群的求解过程转化为CUDA线程,在GPU上加速执行以提高算法的运行速度。实验数据表明：GPU-AFSA能够在保证与串行AFSA相同优化性能的同时取得高达30倍的加速比,是人工鱼群算法的一种有效的并行化方案。图像分割是从输入图像中提取目标或感兴趣区域的过程,是目标检测和识别过程中的重要步骤。基于聚类的图像分割方法是其中一类及其重要和应用相当广泛的算法。然而对于图像的聚类分析,目前尚不存在广泛适用的算法,并且计算量较大。本文建立了一种基于人工鱼群算法的图像聚类分割方法,利用人工鱼群算法的高性能优化能力,克服了图像分割领域普遍存在的分割算法对图像本身数据特性高度依赖的缺点,提高了图像分割的适应性。针对图像分割应用的特定要求,本文还对该图像分割方法做了两种GPU并行化实现,分别从聚类和人工鱼进化的角度实现了该模型的并行加速。实验数据证明,该方法对于不同类型的测试图片均能够较快速准确地分割出目标,是一种高效的图像分割方法。