遗传算法对于以往难以解决的函数优化问题,图像识别,机器学习,数据挖掘以及复杂的多目标规划等问题是最有效的方法之一。遗传算法的实质是在模拟自然界中生物遗传及进化的过程,是一种自适应全局优化概率搜索算法。太阳磁亮点是位于光球、色球层米粒通道里的一些发亮的磁结构,是目前观测手段能够分辨的最小磁结构。太阳磁亮点运动所耗散的能量被认为是日冕加热和色球加热的最终能量来源之一。研究太阳磁亮点结构需要提取其特征值,提取其特征值需要先将其从太阳图像中分割和识别出,再跟踪演化过程。但是,太阳磁亮点结构很容易与太阳表面上的小尺度特征相混淆;且磁亮点的边缘容易和米粒、米粒间的暗径熔于一炉,导致在识别中不可避免地会将一部分发亮的碎米粒误识别为磁亮点。为解决以上问题,本文展开两个方面的研究工作。一方面提出基于遗传算法的太阳磁亮点识别算法,它解决了LMD识别算法中阈值需手动选取的问题。在遗传算法中,通过采用二维最大熵阈值分割法作为适应度函数,从而合理地求解出阈值。另一方面提出基于遗传算法的太阳磁亮点聚类算法,对太阳图像中识别的磁亮点进行聚类,达到剔除误识别磁亮点的目的。首先通过遗传算法得到K-means聚类的初始中心,接着再通过K-means算法聚类出磁亮点。此外,为解决遗传因子自适应问题,克服遗传算法收敛性差、易陷入局部最优等问题,通过改进遗传因子中的交叉概率、变异概率和引入模拟退火算法,提出改进遗传算法的太阳磁亮点识别算法和改进遗传算法的太阳磁亮点聚类算法。实验结果表明,基于遗传算法的太阳磁亮点识别算法能有效地求解出预选磁亮点的阈值,识别算法的误差率为:6.1%,遗传算法的太阳磁亮点聚类算法的结果优于传统K-means聚类算法的结果,聚类算法的准确率为:80%;在改进遗传算法的磁亮点识别算法和聚类算法中,识别算法的误差率为5.6%,聚类算法的准确率为83%,由此证明改进遗传算法无论从实验结果上还是从运行效率、收敛性能上均取得较好的结果,这为进一步研究太阳磁亮点提供了保障和支持。