针对森林冠层图像复杂，分割精度较差等问题，提出一种多策略融合改进北方苍鹰优化算法（Improved Northern Goshawk Optimization,INGO）的冠层图像分割方法。首先，在北方苍鹰初始化引入随机反向学习策略，以增加种群多样性，提高搜索效率；在北方苍鹰探索阶段，添加自适应权重因子提高算法搜索能力，加快算法收敛速度；在北方苍鹰开发阶段，添加非线性收敛因子平衡全局搜索和局部开发能力。其次，采用多阈值Kapur熵作为适应度函数，通过选取8个基准函数对改进的算法进行测试，测试结果表明，改进的算法可以有效提高精度和搜索速度。最后，将所改进的算法对森林冠层图像进行阈值分割试验，并在适应度值、森林图像分割时的峰值信噪比（PSNR）、结构相似性（SSIM）与特征相似度（FSIM）上进行对比分析。试验结果表明，改进的算法可以获得更精确的森林冠层分割阈值和更高的分割精度。