遗传算法是一种模拟自然界生物进化的搜索算法，由于它的简单易行、鲁棒性强、尤其是其不需要专门的领域知识而仅用适应度函数作评价来指导搜索过程，从而使它的应用极为广泛。本文在参考大量国内外文献的基础上，针对基本遗传算法的缺点，提出了两种改进的遗传算法；研究了遗传算法在非线性方程组求解中的应用，并将遗传算法应用于模糊辨识中。取得的主要成果如下：针对基本遗传算法收敛速度慢、解的分辨率过低等不足，提出了改进变焦遗传算法，即在保持串长不变的条件下，不断把经多次进化的信息从个体串中存放到解码公式上，所空出的基因起着类似“内存条”的作用，为提高解的精度随时纳入新的基因。同时为了防止早熟现象，交叉算子中的交叉位置按非等概率选取的方法进行；在纳入新的基因时，加入与最优个体群等量互补的二进制码串，解决了复制操作导致基因缺失的问题。提出一种基于禁忌搜索和混沌优化的混合遗传算法，该算法利用禁忌搜索的记忆功能和混沌优化所具有的遍历性、规律性和随机性，对经过一次遗传操作的种群进行混沌寻优，引导种群快速进化。这种算法容易跳出局部最优解，搜索效率高，而且结构简单，使用方便。针对迭代法、最优法、MATLAB最优化工具箱求解非线性方程组中存在求解精度不高及初始矢量难选等问题，将方程组求解问题转化为遗传算法函数优化问题，建立了非线性方程组通用的遗传算法解法，并将其用于汽车滑行试验数据处理中。将遗传算法用于非线性系统的模糊辨识中，基于输入空间的模糊划分，采用具有自适应性的广义高斯函数为隶属函数，用改进的遗传算法来优化其形状，再根据前提参数采用递推最小二乘算法辨识结论参数，该算法综合了遗传算法的全局搜索能力和递推最小二乘算法的快速局部搜索能力。最后通过仿真实例验证了该方法的有效性与实用性。