在阵列信号处理的参数估计中,MUSIC (Multiple Signal Classification)算法因其超分辨特性而有着重要的作用。MUSIC算法可以分为特征值分解与谱峰搜索两部分,因谱峰搜索需要消耗大量的时间,所以传统MUSIC算法的实时性受到了限制。遗传算法(Genetic Algorithm)是一种具有简洁性、全局寻优性以及并行性等特点的全局寻优仿生算法。但是遗传算法也存在如未成熟收敛,陷入局部最优解等缺陷。为了提高遗传算法全局搜索的性能并消除未成熟收敛现象,本文对遗传算法进行了改进。本文以遗传算法作为基础,提出一种基于种群优化的遗传算法。在基于种群优化的遗传算法中,将种群中的优秀个体与被选中的个体进行交叉操作,从而更好地开采种群中最优个体所包含的优良信息;为了防止算法出现过早收敛以致不能收敛到全局最优解的情况,算法通过在种群次优解周围搜索新的随机个体的方法,增加算法的多样性,同时,算法对引入种群的规模采用分阶段调整的方法进行调控,以适应算法对种群规模的需要。通过实验证明,基于种群优化的遗传算法具有更好的全局搜索能力。将基于种群优化的遗传算法与MUSIC算法相结合,将空间中信号源分为单信号源与多信号源两种情况,在不同信噪比条件下,对基于种群优化的遗传算法的MUSIC算法进行了实验仿真,通过实验数据可以证明该方法具有很好的全局搜索能力,可以对多个目标进行搜索。同时,通过计算量的分析,证明与传统方法相比,该算法通过极大的降低计算量而获得了较好的实时性。本文的研究内容不仅可以提高MUSIC算法的实时性,同时也可以应用于其他复杂问题的求解中。