图像识别/分类出现在各个领域，用计算机系统进行图像识别/分类是发展方向，计算机图像识别/分类系统的核心是识别/分类算法。遗传规划是一个充满活力的新兴领域，它可根据对解决问题的高层次描述，自动进化出特定问题解决方案计算机程序。它在图像识别/分类、目标探测方面显示出优秀的性能。本文在改进遗传规划多类图像识别/分类算法，优化图像识别相关环节和提高遗传规划图像识别性能方面做了一些工作。 首先，对现有的分类算法进行了分析，提出了静态类边界确定分类算法与中心动态类边界确定算法相结合的方法实现多类图像识别/分类。其思路是：先用动态边界确定算法为静态类边界确定算法找出合理的类边界，再用静态类边界确定算法完成图像识别/分类工作，达到了用静态类边界确定算法的培训时间，获得动态边界确定算法分类准确率之效果。 其次，研究了图像特征提取与图像特征精简问题。图像特征的提取直接影响图像识别/分类结果。分析研究了图像特征提取窗口区域划分方法，通过图像特征提取窗口不同划分、用多种分类算法进行图像识别/分类测试，确定了适应性最好的窗口区域划分方法。先用粗糙集软件工具对图像特征进行精简，再用遗传规划对精简后的图像特征完成图像识别/分类，能获得不低于图像特征精简前的分类准确率。遗传规划能用很少的图像特征，很好地完成图像识别/分类。 第三，提出了等差权值中心动态类边界确定算法和权值快速下降中心动态类边界确定算法。在遗传规划分类器进化过程中，动态地确定培训样本类边界，并且通过对不同适应度程序输出值使用不同的权值策略，使得类边界设置更趋合理，提高了遗传规划分类器分类准确率。这两个算法对于识别难度大的多类图像识别/分类，能显著提高分类准确率。 最后，提出了遗传规划图像识别/分类最小函数集的概念，通过图像识别测试，确定了最小函数集内容。为控制遗传规划程序树在进化过程中规模过大，构造了包含程序规模控制的适应度函数，保证在分类准确率不降低的前提下，能有效地控制程序树规模，缩短分类器的培训和分类时间。