测试数据生成是动态软件测试中的关键环节，它对于提高软件测试的能力有着至关重要的作用。测试数据生成问题吸引了许多学者对其进行研究，人们提出了多种测试数据生成方法（如随机法、符号执行法、迭代松弛法等），但这些方法存在着诸如测试数据生成能力弱、时间耗费大、生成的测试数据不能满足测试标准等不足。 为了提高测试数据的自动生成能力，本文研究了将遗传算法作为面向路径覆盖的测试数据生成的驱动算法即演化测试技术，该技术的基本思想是将测试数据生成问题转化为可以利用遗传算法来处理的优化问题，利用遗传算法的快速收敛、强大的全局寻优能力减少测试数据生成的时间耗费及提高测试数据的生成质量。 通过对遗传算法的研究发现，虽然它在许多领域都取得了成功的应用，但它仍然存在着容易陷入局部最优等缺陷。因此，本文提出了一种改进的混合遗传算法模型，该算法模型采用了自适应的交叉和变异算子、精英模型；并通过设置爬山阈值，当遗传算法进化到该阈值规定的代数仍未取得最优解时，随机选择当前群体中若干个体及精英个体进行爬山操作，以提高算法的局部搜索能力。 为了对改进后的算法性能进行验证，本文将其同精英遗传算法用于三角形问题测试实例，实验结果表明改进的混合遗传算法是有效的，其性能要优于精英遗传算法，能够更好地满足路径覆盖测试标准的要求；除此之外，本文还对影响改进的混合遗传算法的改进因素进行了分析并得出了相关结论。