在QFN芯片封装缺陷检测中，增加图像分割环节可有效提高缺陷检测准确性与检测效率。针对图像分割中传统算法效率低、智能优化算法分割精度低稳定性差的问题，本文提出一种基于改进灰狼优化算法（IGWO）的图像多阈值分割方法。首先，改进原始灰狼优化算法非线性因子，平衡算法搜索效率与挖掘能力；其次，引入反向学习策略提高种群整体质量，引入正弦函数、调整头狼权重以改进灰狼更新策略，增强算法多样性与挖掘能力；然后，提出头狼靠拢与种群变异交替进行的位置更新策略，平衡算法收敛性能与跳出局部最优能力；最后，以Kapur熵为适应度函数，求解最优分割阈值。将本文提出的改进灰狼优化算法的多阈值图像分割方法，与灰狼优化算法（GWO）、基于翻筋斗觅食策略的灰狼优化算法（DSF-GWO）、基于莱维飞行的樽海鞘群优化算法（LSSA）、改进北方苍鹰算法（INGO）的图像分割方法进行实验对比，结果表明：本文方法在分割用时方面，约为DSF-GWO的1/2，INGO的1/4；在分割精度与稳定性方面，在进行QFN芯片缺陷图像的连续30次分割时，本文方法具有最大Kapur熵平均值、最小标准差与最短分割时间。因此本文方法可实现高精度、高稳定性与高效率的QFN芯片图像多阈值分割。

针对二维最大累间方差（Nobuyuki OTSU，OTSU）图像分割算法在电气设备故障诊断与定位中，其红外图像的多阈值分割中存在的耗时多、分割精度低、误分割等不足，造成故障区域欠分割或者过分割的问题，提出一种改进的萤火虫算法（glowworm swarm optimization，GSO）与二维OTSU的融合算法来提高电气设备红外图像多阈值分割的实时性与准确度。寻优过程中，将局部寻优扩展到全局寻优，并引入非线性递减步长及新的移动策略对GSO进行优化改进。实验结果表明：该融合算法在分割结果上较二维OTSU及未改进GSO与二维OTSU融合算法更能准确分割运行电气设备图像异常区域，分割速度分别提高19倍、1.28倍，为红外图像早期故障的有效识别与定位奠定基础。