近年来，随着人们对自身健康的重视，医学技术的发展成为人们共同关注的目标，医学图像处理作为医学技术的一个重要组成部分得到了巨大的发展。医学图像由于成像模式影响、人体器官不规则性、患者检查时体位偏离等原因常带有噪声和伪影，具有边界模糊、强度不均匀的特性，较一般图像更为复杂，这使得医学图像分割较一般图像分割更具挑战性。　　 遗传算法具有快速寻优特性以及卓越的全局搜索能力。为了提高医学图像分割的效率以及性能，本文将遗传算法运用于医学图像分割领域，归纳了各类医学图像分割方法的原理和特点，总结了图像分割的评价方法，概括了遗传算法的数学模型、基本步骤、构成要素和应用领域。　　 文中结合传统阈值分割方法最大类间方差分割法(Otsu)，阐述了Otsu准则及二维Otsu准则的基本原理，实现了基于遗传算法的Otsu分割方法，用最小偏态法、最小误差法、Otsu法及基于遗传算法的Otsu算法分别对颅脑图像、脊髓图像、胚胎细胞图像进行仿真。仿真结果表明，基于遗传算法的图像分割算法性能优于传统的阈值分割法，而相对于传统的Otsu算法，基于遗传算法的Otsu法分割质量相当，而效率提高了将近50％。　　 为了进一步提高分割算法的效率及性能，本文在基本遗传算法的基础上进行了改进。采用双阈值分割，编码由8位增加为16位，选择操作采用10%精英策略及90%轮盘赌操作，交叉操作采用两点交叉，在编码的前8位和后8位分别随机设置交叉点。为了使算法在搜索初期种群多样性较大时有较大的交叉概率、变异概率，以增强全局搜索能力，在搜索后期种群多样性较小时有较小的交叉概率、变异概率，以增强算法收敛性能，本文用种群熵度量当前种群多样性，实现自适应的交叉概率和变异概率改进遗传算法。用基于遗传算法的二维Otsu法及基于改进遗传算法的二维Otsu算法分别对颅脑图像、脊髓图像、胚胎细胞图像进行仿真。仿真结果表明，改进后的算法较改进前效率和性能均得到有效提高。