图像分割就是根据图像的某些特征或特征集合的相似性准则对图像进行分类,把图像空间分成若干个某些具有一致性属性的不重叠区域。它是图像分析和理解的基础,是计算机视觉领域中最困难的问题之一。BP 神经网络具有并行运算、分布式存储、自学习、容错能力强等特征,使得BP 神经网络在特征分类方面,有着非常广泛的应用,通过先期的学习,能够分类出特定的对象或特征。近年来用 BP 神经网络做图像分割的研究很多,Babaguchi N 提出用 BP 神经网络的方法进行图像分割,这种方法输入的是图像的灰度信息,输出的是用于图像分割的阈值。但 BP 算法有诸多缺陷,如收敛速度慢、易于陷入局部极小等,且在样本数据量很大的时候,其训练速度很慢。后来提出众多改进的 BP算法,如变步长等方法,但是仍很难避免 BP 算法易于陷入局部极小的情况。之后众多研究人员利用遗传算法的全局搜索性能来优化 BP 神经网络,从而加速 BP 神经网络的收敛,避免其陷入局部极小值。本文在对基于 GA 与 BP 相结合的算法进行了可行性分析之后,给出了遗传神经网络算法的具体实现过程。算法采用改进的遗传算法,对 BP 神经网络进行优化(简称 MGA-BP)。遗传算法的编码采用实数编码,遗传算子采用适合于实数编码的中间重组交叉算子、高斯变异算子。通过仿真,对 MGA-BP 算法与单纯 BP 算法的训练结果进行了比较,可以看出 MGA-BP 算法可以迅速找到最优解,且能很好的避免收敛到局部极小的情况。最后,本文利用 MGA-BP 算法对一些医学图像进行了实验,实验结果表明,该方法用于此类医学图像分割取得了令人满意的效果,从而显示出 MGA-BP 方法具有良好的竞争力。