计算机图像处理是一门伴随着计算技术的高度发展而新兴起的学科。其目的之一是在计算机上实现和强化人的视觉以及人对视觉信息的加工和处理能力。将简单的模式图形如三角形、矩形、圆、椭圆和多边形等称之为基元。基元的识别是图像分析的一项重要任务，且在手写体识别、图像目标识别、图像测量和基于图像的内容检索等实际应用中具有非常重要的意义。因此，在图像识别和分析等处理中，对图像基元的识别是最基本的和最重要的工作。 目前，国内外许多学者对图像基元的识别问题进行研究，提出了许多较为有效的方法，其中遗传算法以及与其他算法方相结合的方法，显示出很大的发展潜力。遗传算法在许多优化问题中都有成功的应用,目前被广泛应用于函数优化、机器学习、模式识别以及自适应控制系统等众多领域。近年来已有许多著作和学术论文对基于遗传算法的基元识别进行了研究，并且用遗传算法解决图像基元的识别的问题得出了令人比较满意的结果。 聚类分析是一个无监督的学习过程，聚类的目标是在没有任何先验知识的前提下，将数据聚集成不同的簇，使得相同簇中的元素尽可能相似。通过聚类，人们能够识别密集的和稀疏的区域，因而发现全局的分布模式，以及数据属性之间有趣的相互关系。通过聚类，可以将相同的图像基元归于一类，这样同类型的基元就被识别出来了。K-means算法是聚类算法中主要算法之一。采用用K-means算法可以提高算法的收敛速度。 基于上述遗传算法和聚类的特点，本文将遗传算法和K-means 算法相结合的方法来解决图像基元的识别。该算法是在遗传算法与K-means算法的基础上提出来的，以遗传算法的设计流程为主线，然后将K-means聚类算法引入到遗传算法的进化中来设定遗传算法中的目标函数，以实现同类的图像基元的归类识别。本文采用VC++编程实现了多种图像基元的识别功能。 本文主要完成了以下几个方面的工作： 1、 对遗传算法和聚类分别作了研究，研究了它们的原理、特点、发展和应用。 2、 研究了基于遗传算法的基元识别。在实验中分成两种情况对图像基元进行了识别： ①对简单图像基元和加了噪声的简单图像基元分别进行了识别。 ②对复杂图像基元和加了噪声的复杂图像基元进行了识别。 实验结果表明，不管有无噪声基元识别的效果都比较好。 3、 研究了基于遗传聚类算法的基元识别。在实验中分为三种情况对图像基元进行了识别： ①对规则图像基元和加了噪声的规则简单图像基元分别进行了识别。 ②对非规则图像基元和加了噪声的非规则图像基元进行了识别。 ③对有缺陷的图像基元和加了噪声的有缺陷的图像基元进行了识别。 实验结果表明，基于遗传聚类算法的基元识别通过遗传算法保证了在进行图像基元识别和提取的时候能获取全局最优解，也就是能获得最优的识别结果；而采用聚类算法中的K-means 算法则实现了归类识别并提高了遗传算法的收敛速度。并且抗噪声的能力较强。所以采用基于遗传聚类算法在对几种不同的图像基元的识别实验中达到了较理想的效果。