投资组合是现代金融理论的重要组成部分，主要解决如何将一定量的资金分配到不同的资产中，以实现风险最小化或收益最大化。目前，对于投资组合模型的求解主要采用最优化方法与先进的计算技术，特别是智能算法的应用。文化算法是新近出现的一种仿生智能算法，它提供了一种普适的双层进化框架，克服了传统智能算法对于经验知识隐性表达与存取的不足。本文借助文化算法独特的计算框架及其良好的并行性，运用融合的思想对算法进行有效改进，并将改进后的混合算法用于函数优化及投资组合优化模型的求解中，本文的主要工作如下：　　 1.将粒子群优化算法嵌入到文化算法中，作为其种群空间与信念空间，提出一种新的动态文化粒子群优化算法。该算法通过一组动态联系操作来实现两种空间的互相影响、互相促进，并以此来改进和克服粒子群优化算法易陷入局部最优等缺陷。几种典型测试函数的实验结果表明，该算法不仅求解精度高而且鲁棒性较强，是一种有效的全局优化算法。投资组合决策面临现实证券市场中的大量数据，是一个复杂的组合优化问题，属于NP难问题，传统的算法难以有效求解。本文将新提出的文化粒子群优化算法，用于求解均值-VaR投资组合优化模型，并采用罚函数方法处理模型中的不等式约束。实证分析的数值结果表明，该算法可以高效、合理地解决投资组合优化问题。　　 2.基于外部精英存档和拥挤熵策略，提出一种新的多目标文化粒子群优化算法。首先通过四个多目标函数进行测试，结果表明该算法在解的收敛性和多样性方面都较好。其次，将其用来求解均值-VaR双目标投资组合优化模型，实证分析表明该算法可以为投资者提供决策参考，有一定的实际应用价值。　　 总之，本论文对文化算法与粒子群优化算法的混合算法及其在投资组合优化方面的应用进行了较为全面的分析与研究，最后对所做的工作进行了总结，并提出了进一步研究的方向。