针对现实世界中存在的各类优化问题，各种优化算法被相继提出。一般地，优化算法主要分为确定型算法和概率型算法。传统的优化算法根据目标函数的数学形式进行极值求取，当面对不连续、不可导的情形时，确定型算法就显得无能为力，具有很大的局限性。受自然界启发，基于各种自然机制的概率型算法成为优化算法发展的主流，如基于物理机制的模拟退火算法(SA)，基于群智能机制的蚁群优化算法(ACO)，基于进化机制的进化算法(EAs)等等。虽然，这些算法在一定程度上表现出令人满意的求解效果，但在某些问题的求解上仍存在诸如收敛速度慢、搜索能力差、早熟收敛等常见问题。目前，没有哪一种算法能够解决所有的优化问题，针对具体问题的特点，设计或改进算法的运行机制来解决不同类型的问题是非常有意义的工作。进化算法作为一种概率型算法，已成为优化算法研究的重点领域。进化策略作为进化算法的重要分支之一，在解决连续实值优化问题方面性能优越。特别地，协方差矩阵自适应进化策略(CMA-ES)具有不依赖种群大小，小种群收敛快，大种群全局性能好等优点，在连续实值优化领域备受关注。然而，在解决某些问题时，CMA-ES存在同其他进化算法一样的缺点，如易于陷入局部而难以跳出、求解精度差等。云模型是一种有效的不确定性问题处理工具，可以很好地实现对不确定性问题的建模与推理。进化过程是一个充满诸多不确定性的复杂过程，进化过程中的许多概念和行为都具有不确定性。CMA-ES中的步长控制过程遵循不确定性控制准则，利用“进化路径”的历史反馈信息，使得进化具有很高的效率，但其通过确定性的函数映射来实现步长的控制过程，在一定程度上忽视了这种不确定性。针对此问题，本文基于云模型在处理不确定性方面的优良能力，对CMA-ES的步长控制过程进行改进，得到了一种基于云推理的改进CMA-ES算法。首先，通过分析算法运行过程，建立步长控制的云推理模型；然后，采用云模型的不确定性推理方法实现对种群步长的不确定性控制；最后，在63个常用的测试函数组成的测试集上进行仿真测试实验，结果表明：改进CMA-ES算法较基本CMA-ES算法有着较强的全局寻优能力，在提高求解成功率的同时，进一步提高了求解精度和收敛速度，并具有较好的寻优稳定性。支持向量机(SVM)模型参数的选择对其性能具有很大影响。将改进后的CMA-ES算法引入SVM的参数优化中，得到一种基于改进CMA-ES算法的SVM参数寻优选取方法。通过对常用UCI数据集的训练与预测，并与基于遗传算法(GA)和粒子群算法(PSO)的方法对比，实验结果表明：基于改进CMA-ES算法参数寻优后的SVM的分类正确率和收敛速度均有明显提高。