图像分割是数字图像处理与机器视觉的基本问题之一，是图像分析中的重要环节，在整个研究中起着承前启后的作用，它既是对所有图像预处理效果的一个检验，也是后续进行图像分析与解译的基础。因此，对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提出了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决，这方面的研究仍然面临很多挑战。 图像分割技术的发展与许多其它学科和领域密切相关。近年来，随着各学科许多新理论和方法的提出，人们也提出了许多结合一些特定理论、方法和工具的分割技术。每当有新的数学工具或方法提出来，人们就试着将其用于图像分割，迄今为止，研究者们已经提出了上千种各种类型的图像分割算法，并且近年来每年都有上百篇的相关研究成果发表。对于图像分割算法有着多种不同的分类，其中基于阈值的分割技术是本文的主要研究对象。 遗传算法是模拟自然界生物进化过程与机制求解问题的一类自组织与自适应的人工智能技术，已广泛应用于计算机科学、人工智能、信息技术及工程实践。遗传算法具有简单、鲁棒性好和本质并行的突出优点。其在应用领域取得的巨大成功引起了广大学者的关注。正因为遗传算法的突出特点，国内外一些研究人员将它应用在图像分割领域。遗传算法是一种迭代式的优化算法，所以在图像分割中常被用来帮助确定分割阈值。 尽管遗传算法具有上述优点，但其本身仍存在计算效率低和过早收敛等问题，因此在具体应用中有必要针对具体问题对基本遗传算法进行改进以提高算法的全局收搜索能力和执行效率。 本文对图像分割算法和遗传算法的理论及应用进行了一些研究和分析工作，并在此基础上针对具体的图像阈值分割算法(本文采用最大类间方差阈值分割算法)的特点，对遗传算法进行了改进，并将其应用于图像的阈值分割算法中，提出了一种新的基于改进遗传算法的图像阈值分割算法。 新算法改进主要如下，首先，标准遗传算法只产生一个群体，即所有遗传算子都只在一个群体上进行操作。为了避免算法未成熟收敛，保持群体多样性，拓宽算法搜索空间，本算法对此做了改进，即在保持总个体数不变的前提下，在解空间产生两个群体。其次，在初始化群体时，标准遗传算法一般是随机产生个体。本算法对此进行了改进，先通过循环分割算法在解空间确定一个初始阈值，然后以该阈值作为种子，随机生成两个群体。最后，在大量实验的基础上，本文选定了适合于本算法的遗传控制策略及参数，提出了一种新的遗传分割算法。 本文中的所有程序均使用VisualC++编写，在Windows2000平台下编译完成。