群智能优化算法是一种随机优化算法,是受到自然界中生物群体行为的自优化现象的启发而提出的一种元启发式算法,主要包括粒子群优化算法、蚁群优化算法、人工蜂群算法、萤火虫算法、灰狼优化算法和鲸鱼优化算法等。群智能优化算法具有结构简单、稳定性高、支持并行计算等特点,适用于大型且问题复杂度较高的场景。因此,群智能优化算法一直是研究者们关注的重点。文章中基于麻雀搜索算法提出了三种改进方法,利用基准测试函数设计了三组对比验证实验,并将改进后的麻雀搜索算法应用于恶意软件和恶意域名的分类问题。主要的研究内容如下:（1）针对原始麻雀搜索算法容易陷入局部最优,收敛速度较慢和收敛精度不高等缺点,提出了三种改进策略。第一种是利用t分布对麻雀个体的位置进行变异,让麻雀个体在搜索过程中能够不断向外探索,提高了算法跳出局部最优的能力;第二种是利用Tent混沌映射的均匀性和遍历性,来生成初始麻雀种群的位置信息,增加了麻雀种群的多样性,提高了麻雀搜索算法的收敛速度和全局搜索能力;第三种是将t分布和Tent混沌映射进行组合优化,融合了两种方式的优点,并对陷入局部最优的个体进行扰动,进一步提高算法跳出局部最优的能力。（2）设计了三组测试实验,分别选取七种高维单目标测试函数、五种高维多目标测试函数和七种低维度测试函数,主要用来测试改进麻雀搜索算法的全局搜索和局部开发能力。和原始麻雀搜索算法、萤火虫优化算法、灰狼优化算法和鲸鱼优化算法这四种群智能优化算法进行对比实验,结果表明改进的麻雀搜索算法具有收敛速度快,收敛精度高等优点。（3）利用改进的麻雀搜索算法来优化SVM分类器和BP神经网络,将模型应用在恶意软件和恶意域名数据集的分类问题中。与原始麻雀搜索算法、萤火虫优化算法、灰狼优化算法和鲸鱼优化算法这四种群智能优化算法进行对比实验,结果表明改进后的麻雀搜索算法具有一定程度的优化能力,能够提高对恶意软件和恶意域名分类的准确率,验证了改进麻雀搜索算法的有效性和实用性。