当今社会经济全球化趋势加剧，制造业的社会环境和生存准则发生了剧烈的变化，产品生命周期缩短，生产少量多样化，制造车间调度方法的优劣直接影响着企业的生产效率。研究证明，合理的生产调度能够提高设备利用率、缩短加工周期、减少库存和降低生产成本等，因此，生产车间的调度问题日益成为众多学者研究的重点。　　车间调度问题属于NP-hard问题，是典型优化问题中最难求解的问题，人们为之已经付出了几十年的努力，但至今采用最先进的算法仍然很难得到较小规模问题的最优解。近十几年来，多种通过模拟自然界生物和人类行为过程而发展的优化算法为解决车间调度问题提供了新的思路和手段，其中遗传算法以其通用性强、算法简单等特点，被广泛应用于生产调度等问题中。但传统的遗传算法存在早熟收敛问题，且较容易陷入局部最优解，全局寻优能力较差，因此本文提出了一种改进的遗传算法用于求解传统的Job-Shop调度问题，一方面采用全主动调度以缩小搜索的解空间，另一方面提出了一种子代产生模式的改进的IPOX交叉操作及基于邻域搜索的变异操作，使子代能够更好地继承父代的优良特征，并通过基准测试实例证明了该改进遗传算法与其他遗传算法相比在解的质量方面较优。　　由于传统的Job-Shop调度问题模型对实际生产调度问题进行了许多简化和假设，因此其求解方法不能直接应用于生产实际问题，本文紧紧抓住背景企业生产特点，结合其实际生产调度情况，建立了制造单元内车间调度模型，针对实际生产中的工时问题及质检排队问题提出了相应的解决方法，并对制造单元间的生产调度问题给予问题描述，最后通过仿真对比不仅证明了本文改进遗传算法的结果较优，还证明了采用本文改进遗传算法将缩短加工周期18％左右。　　实际生产过程是一个突发事件时有发生的动态过程，因此本文对动态调度问题做了初步研究，提出了一些车间具体动态事件的处理方法，并应用本文改进遗传算法对机器故障和修复时的再调度进行了实例仿真。