斑鬣狗优化算法(Spotted hyena optimizer,SHO)是一种模仿自然界中斑鬣狗捕食行为的新兴的群智能优化方法。SHO具有结构简单、概念清晰,易于实现、全局性能较好等特点。但SHO的研究及应用仍然处于起步阶段,仍存在一些不足,如后期收敛速度慢、局部搜索能力弱等。本文针对目前斑鬣狗优化算法存在的一些不足进行分析改进,提出一些性能更优的斑鬣狗优化算法,或利用SHO算法的性能优点拓展其应用范围,其目的在于完善和拓宽斑鬣狗优化算法的理论基础和应用范围,为求解复杂系统大规模优化问题提供一种行之有效的新方法。本文的主要工作如下:(1)为了增强斑鬣狗优化算法的全局搜索能力,以更好的均衡其全局和局部搜索能力,提高其收敛精度,引入邻域重心反向学习策略,提出一种基于邻域重心反向学习的斑鬣狗优化算法(NCOSHO),通过引入邻域重心反向学习策略增强斑鬣狗优化算法的全局搜索能力。将NCOSHO用于23个经典的测试函数和无限脉冲响应(IIR)模式辨识问题并与不同主流优化算法进行了比较,实验结果表明NCOSHO在函数优化和IIR问题上性能更优。(2)提出基于斑鬣狗优化算法确定AVR系统最优比例积分微分(PID)控制器参数的方法。该方法具有实现简单、收敛稳定性好、计算效率高等优点。快速调整最优的PID控制器参数产生高质量的解决方案。为了评估SHO-PID控制器的性能的优越性,将此算法与对比的算法如SCA、FPA、PSOGSA、WWO与GWO算法作比较,实验结果表明,该方法在提高系统的阶跃响应方面具有更高的效率与鲁棒性。(3)提出一种基于侧抑制的复杂背景下的小目标检测方法,将视觉中的侧抑制原理应用到图像预处理中,对图像进行背景抑制和目标增强,从而实现自适应预处理的目的。用斑鬣狗优化算法对预处理的图像的可行域空间执行搜索任务。提出侧抑制斑鬣狗的优化算法LI-SHO,并用到图像匹配问题。实验结果表明LI-SHO解决图像匹配问题相比与其他算法解决图像匹配问题效果更加好,具有更好的鲁棒性。(4)人工神经网络的训练目标是找到一组最优的权重和偏差值,达到网络的最小误差。提出了一种斑鬣狗优化算法训练神经网络算法。实验结果表明该算法相比于其他元启发式算法,探测范围广,开采能力强。