群智能优化算法作为一种新兴的智能计算技术，已经受到众多学者关注。粒子群优化算法作为其中一种群智能优化算法，成为目前优化算法中的一个研究热点。粒子群算法是一种较新的随机优化技术，是一种模拟鸟群的觅食行为的算法，在处理优化问题时具有较快的收敛速度，但易陷入局部最优。本文通过研究标准粒子群优化算法的进化模式、拓扑结构和学习策略，针对其存在的优点和缺点，提出三种改进算法，并将其中一种改进算法应用于无线传感器网络覆盖优化问题，具体的研究内容如下：（1）为克服标准粒子群优化算法在复杂优化问题上易出现早熟收敛、多样性缺失等缺点，提出自适应子空间高斯学习的粒子群优化算法。算法提出适应值离散度和子空间高斯学习的概念，以自适应地调整参数和搜索策略，帮助算法逃离局部最优。同时，提出邻域学习策略，引入邻域最优粒子，当前粒子的邻域在进化过程中动态构建，增强种群的多样性。最后，本文将改进的算法应用于无线传感器网络覆盖优化问题，使得无线传感器有较均匀的分布和较高的覆盖率。（2）针对标准粒子群算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点，提出一种基于高斯扰动的粒子群优化算法。算法采用对粒子个体最优位置加入高斯扰动策略，有效地防止算法陷入局部最优，加快收敛速度并提高收敛精度。（3）为解决标准粒子群优化算法在进化后期收敛速度变慢的问题，提出了一种改进的反向学习粒子群优化算法（IOPSO）。算法让每个粒子生成相应的反向粒子，扩大搜索区域范围，增强算法的全局搜索能力；同时，让当前粒子向其反向粒子学习，避免最优粒子陷入局部最优而导致整个种群进化陷入停滞状态。实验结果表明改进后的算法在全局收敛速度、寻优精度和逃离局部最优的能力上具有很大的优势。