遗传算法作为一种全局并行搜索的优化工具,正被应用于各大领域。例如在聚类分析当中也极其受到重视,应用于图像分割、数据挖掘方面等。遗传算法重要特征是全局优化技术,遗传算法利用已知的适应度值来指导搜索,并不是盲目的在搜索空间中探索最优值。由于遗传算法的特性,往往会出现收敛速度慢和局部最优等问题。众多学者通过,增加种群数目,对遗传算子改进,使用混合算法等方法进行改进,但是往往不能获得收敛速度加快和全局最优的情况。因此本文先对遗传算法的遗传操作进行了改进,并且增加替代策略。然后将改进后的遗传算法和K均值聚类进行结合,用以应对K均值算法初始聚类中心敏感和易陷入局部最优、鲁棒性弱的情况。最后将基于改进的遗传算法的K均值聚类算法应用于图像分割当中。本论文的主要工作和创新点如下:（1）提出了改进的遗传算法。对于遗传算法容易出现过早收敛、稳定性差、计算量大等缺点。首先对遗传操作进行了改进,其次对遗传算法进行选择,交叉,变异后的个体进行替代策略,提高了遗传算法的效率和预防出现早熟收敛。改进的遗传算法分别在四个测试函数当中,与标准的遗传算法和精英策略个体优势遗传算法进行实验。实验表明,改进的遗传算法性能和搜索方面都具有较好的性能。（2）提出了基于改进的遗传算法的K均值聚类算法（NGAKM）。在应对K均值算法初始聚类中心敏感和易陷入局部最优、鲁棒性弱的情况。在这个聚类算法中,变异操作主要通过K变异算子实现,K变异算子基于K均值,基于此进行聚类分析。而后为了验证算法的可行性和有效性,选取了UCI数据库中的四类数据集,与标准的GA算法、优化的GAKM算法聚类结果进行比较。实验证明NGAKM算法会选取更合适的聚类中心,使得最终结果即得到全局最优的适应度,又减少了迭代次数,在稳定性和聚类效果这些方面都得到了较多提升。（3）将NGAKM算法应用于图像分割中。用标准的测试图像和采集的农业病虫害图像进行图像分割,展示分割后的图片,并将NGAKM算法与标准的GA算法、优化的GAKM算法在图像聚类结果进行比较。实验表明NGAKM算法在图像分割时选取了较为合理的图像聚类中心,并且有助于对农作物病虫害进行智能识别和分析。