图像处理方面的核心科学中图像分割是相当重要的方面，是图像处理领域的关键技术，并且影像判断分析与模式识别也是在良好的图像分割的基础上完成的。现在图像处理领域中有许多种类型的分割算法，一般而言从种类上基本可以分为区域分割基础上的分割方法以及边缘检测基础上的分割方法。在实践应用中形成的主要类型为：阈值型、边缘检测型和区域跟踪型。随着技术发展，一些新理论有应运而生。由于本文侧重点不同，所以主要介绍阈值型分割方法。阈值法是一种经过实验证明对图像分割很有效的方法，阈值法的实现原理是抽出待处理图像中目的部分与杂质部分的灰度特点上的对比，理解图像为一些不一的灰度特征的分开的部分，确定分割值即阈值，把目的图像分块和杂质图像分块分离开来。阈值分割法转换图像的通道数，转换灰度图像为二值图像，减少了存储量，降低了阈值求取和计算的运算量。为了更好的求取图像分割中的阈值，本文阐述了一种把基于改进遗传算法和改进Ostu图像分割法相结合的新的图像分割方法。遗传算法是人类参考生物繁衍发展的理论衍变而生的图像处理领域的理论。在生物进化过程中，生物个体适应外界环境的方法是通过遗传，变异，逐渐淘汰劣质的个体，保留优良的个体。遗传算法就是参考上述现象产生的。由于简单传统遗传算法，Otsu图像分割法等以往图像分割技术存在的目标图像与整幅图像的面积比不确定问题，解求取时间长的难题，容易提前形成伪解，所以导致图像切割的阈值求取不简单。所以本课题的研究目标是在基本遗传算法的基础上，解决阈值求取时间长的难题，使伪解很难形成。而且图像分割的要清晰，准确，边缘明显，没有多余背景图像。目标是利用遗传种群中单体的修正度和所有单体的离散指数来设定算法中的参数值，这样就能保证所有单体保持其复杂度和饱满度，还可以使阈值求取时间减少，难形成伪解，最优解形成稳定，从而达到满意的图像分割结果。利用改进遗传算法对二维Otsu图像分割函数进行全局优化，该方法可以根据单体适合度值和种群特点调整遗传群体运算的控制参数，进而在保持种群多样性的同时加快收敛速度，得到图像分割处理的最佳分割阈值。该方法克服了基本遗传算法的收敛性差、易早熟等问题。在理论分析和实验效果对比中，与基本的二维Otsu图像分割法和基本遗传算法的图像分割法相比，该法得出的阈值更加精确，时间复杂度最小，进而能够更好的满足图像处理的实时性要求。