针对社会学习粒子群优化（SLPSO）算法存在的优化效率低、收敛速度慢等问题，提出了一种改进的SLPSO算法，即基于交叉反向学习和同粒社会学习的PSO算法（CPPSO）。首先，将最优解随机纵向交叉与一般反向学习以及随机反向学习构建交叉反向学习；然后，以此交叉反向学习策略更新种群中的最优粒子位置，增强探索能力，并克服SLPSO中最优粒子无更新导致效率低下的缺点；最后，对于非最优粒子，与SLPSO采用基于维的社会学习不同，均采用新型基于粒子的社会学习机制，在提高全局搜索能力同时，更提高开采能力和搜索效率。在一组不同维基准函数上优化的实验结果表明，CPPSO的优化性能、搜索效率和普适性大幅度领先于SLPSO和其他先进的PSO改进算法，如交叉搜索PSO （CSPSO）算法、自我调节的PSO （SRPSO）算法、异构综合学习的PSO （HCLPSO）算法和反向学习和局部学习能力的PSO （RLPSO）算法。

针对现有滤波方法滤除图像椒盐噪声的性能不理想和耗时长等缺陷，提出了一种迭代自适应权重均值滤波的图像去噪方法（IAWF）。首先，利用图像邻域像素与处理点的相似性采用新型方法构建邻域权重；然后，将此邻域权重与开关裁剪均值滤波结合形成新型权重均值滤波方法，充分利用像素间的相关性和开关裁剪滤波的优势，有效提高了算法的去噪效果，同时采用自适应的方式调整滤波窗口大小，以便尽可能地保护图像细节；最后，采用迭代式滤波方法，即如果上述操作还没有处理完噪声点，则迭代去噪直至噪声点处理完毕，实现自动处理。仿真实验结果表明，在各种不同噪声密度下，IAWF在峰值信噪比（PSNR）、失真度，以及视觉效果等方面均优于现有的几种优秀的滤波算法，且具有更快的运行速度，更适用于实际应用场合。

可能性模糊C均值(PFCM)聚类算法作为模糊C均值(FCM)聚类算法的一种改进算法，能在一定程度上克服FCM算法对噪声的敏感性；但由于PFCM没有考虑像元间的空间信息，对含有较大噪声的图像分割效果依然不理想。为此，提出一种新的基于空间信息的PFCM算法(SPFCM)，克服了PFCM算法对含有较大噪声的图像分割效果不佳的缺点。通过对人工图像和IKONOS遥感图像进行分析，结果表明，SPFCM算法无论是在视觉上还是在分割正确率上都优于传统的FCM算法、PFCM算法及两种加入空间信息的FCM算法；对于含有高斯噪声和盐椒噪声的图像，平均分割正确率高达99.71%，是一种去噪效果较好的图像分割算法。