进化计算是一种模拟生物进化过程与机制求解问题的自适应人工智能技术,是一类随机搜索技术。它们模拟由个体组成的群体的学习过程,其中每个个体表示给定问题搜索空间的一点。在图像处理过程中,如特征提取、图像分割等不可避免地存在一些误差,这些误差会影响图像处理的效果,如何使这些误差最小是计算机视觉达到实用化的重要要求。目前进化计算已在模式识别、图像恢复、图像边缘特征提取,图像分割等方面得到了应用,并成为研究的热点。本文主要围绕应用进化计算的图像分割进行了一些研究,主要工作如下：进化计算常作为一种优化算法引入到图像分割中,如何对图像进行编码是关键的一步。现有的编码方法一般比较复杂或者有很多的参数,本文采用了一种简单的编码方法即对区域邻接关系进行编码,但是这种编码方法的重要缺陷在于会通过传递关系导致错误的合并,针对这点设计了分裂操作,有效避免了这一缺陷。算法具体如下：首先得到反应SAR图像区域一致性的G值图,然后运用区域生长的方法对图像进行了粗分割产生初始区域,在此基础上,定义了亲和度函数,通过克隆选择算法进行优化计算。对真实的SAR图像进行了分割实验,验证了算法的有效性。最后本文对含有丰富的纹理信息的SAR图像,采用非下采样Contourlet变换提取特征,用上述的算法进行了实验,得到了良好的分割结果。聚类作为一类经典算法被广泛应用在图像分割中,但是由于缺乏对像素间空间位置信息的考虑,使得算法在用于分割SAR等噪声比较强的图像时很难取得好的效果。因此,减少分割过程中噪声的影响,就需要把图像的空间信息融入到分割的过程。本文借鉴了John Horton Conway提出Game of Life的进化思想,为了把图像的空间信息融入到进化的过程中算法给出了两种约束为种群约束和邻域约束,种群约束反映种群特征对像素的影响,而邻域约束反映了图像的空间信息对该像素的影响,这两种约束来共同指导进化的过程。分别对人工合成噪声图像以及真实的SAR图像进行了分割实验,验证了算法的有效性,最后给出对种群约束和邻域约束算子进行了分析,并对参数的选择给出了说明。