视觉是人类感知世界的重要手段。视觉信息是人类从自然界获取信息的主要源泉。图像是视觉信息的基础,是自然界的客观反映,是人类认识世界和人类本身的重要来源。图像处理是用计算机对图像进行分析,并获得所需结果的技术。图像分割是图像处理的关键技术,它是将一幅图像分解为若干具有特殊性质、互不重叠、具有强相关性集合的过程。随着人们对图像分割研究的日益深入,各种各样的图像分割方法也相继涌出。本文对图像分割方法进行了分类,将它分为典型的图像分割方法和与特定理论结合的图像分割方法,前者包含了阈值法、区域法和边缘检测法,而后者常常是模糊集、遗传算法、神经网络、粗糙集等理论与典型图像分割方法的结合。本文提出了基于改进遗传神经网络的图像分割方法,同时还使用了形状测度(SM)、最终测量精度(UMA)、区域内部均匀性(UM)、区域间对比度(GC)和时间复杂度五种评价准则,分别从主观和客观两方面对分割方法进行评价。BP神经网络和遗传算法是本文的理论基础。BP神经网络是一种多层前馈神经网络,它具有广泛的适应性和有效性,是人工神经网络精华的体现；遗传算法是人们通过对自然界生物群体的进化过程进行模拟而提出的一种高效全局性启发式优化方法,它具有算法简单、并行操作、全局性搜索等优点。本文将图像分割问题看作是一种分类问题,所以如何得到一种高效的分类方法是本文的研究重点。遗传神经网络是解决分类问题的常用方法,它是由遗传算法对BP神经网络进行优化而形成的网络模型。为了增强网络性能,本文从适应度函数和遗传算子两方面出发,对遗传神经网络进行了改进,并通过仿真实验证明了,与传统的遗传神经网络相比,改进的遗传神经网络训练速度和收敛精度都得到很大的提高。本文将具有特定目标的灰度图像作为分割对象,通过图像直方图分析制定目标样本,并利用改进的遗传神经网络对样本进行学习,得到训练网络,然后以图像的像素矩阵为输入向量,将它放入训练好的网络中进行分类,最终实现分割。通过仿真实验证明了,与经典的图像分割方法相比,基于改进的遗传神经网络图像分割方法分割效果良好,是一种可行的图像分割方法。