针对K-Means算法对初始聚类中心的依赖性较高，容易出现局部最优停滞的问题，提出一种改进樽海鞘群算法优化 K-means 的小麦覆盖度提取算法，以提高K-means在进行图像分割时的性能。首先，将小麦图像转换到HSV色彩空间；然后，用改进樽海鞘群算法进行全局寻优，以获得全局最优值作为K-means算法的初始聚类中心，接着运用K-Means算法进行局部寻优，直到迭代完成；最终，输出经过分割的小麦图像。为了评估算法性能，使用12个基准函数对ISSA及其他智能优化算法进行对比测试，同时将改进樽海鞘群算法优化K-Means应用于小麦覆盖度提取。研究结果表明，ISSA算法在优化精度和收敛速度上均超越其他算法，同时在鲁棒性方面也得到了显著提高。与其他算法相比，ISSA-K算法分割后的小麦图像纹理比较清晰，效果更佳，同时具有更加高效的优势，可用于小麦覆盖度的提取，具有较强的实用性。