如何合理高效地组织图像数据、结合图像特征,将人工智能及知识发现等技术合理地运用于图像分类中,是当今计算机视觉研究领域的一个热点问题。自组织特征映射神经网络(SOFM, Self-organization Feature Map)是一种重要的自组织竞争学习模式的神经网络模型。SOFM神经网络是将多维数据映射到低维规则网格中,可以有效的进行大规模的数据挖掘和聚类。但是SOFM神经网络的竞争自学习过程中对权值的更新缺乏全局最优性,而传统GA优化方法进化速度慢和产生“早熟”现象。本文所研究的基于拉马克学习遗传算法(LGA, Lamarckian Genetic Algorithm)的神经网络学习策略,利用遗传算法对SOFM的优化来解决神经网络的缺陷,并将文中的方法应用于图像分割,包括纹理和SAR图像分割。本文的主要内容：采用LGA对SOFM网络的参数权值更新优化。其中主要包括网络权值的更新过程的改进,在采用LGA的过程中,本文使用到了结合量化误差和皮尔森相关系数的函数来作为遗传操作的适应度函数,同时在遗传操作过程中引入拉马克学习机制。经过优化后的SOFM网络在纹理图像分割应用中的分割结果明显高于传统的自组织特征映射神经网络。实现了一种基于分水岭算法和LGA-SOFM神经网络结合的SAR图像分割。由于神经网络本身对数据聚类有着较高的计算复杂度,直接利用LGA-SOFM网络进行大量的数据分割会耗费过多的时间和资源。利用分水岭算法首先对图像进行初始分割,然后再利用LGA-SOFM网络对样本数据聚类以达到SAR图像分割的目的。