鲸鱼优化算法(Whale Optimization Algorithm,WOA)是一种模拟海洋中座头鲸觅食行为的启发式优化算法,该算法具有结构简单、搜索能力强等特点。随着对WOA算法的深入研究,研究者发现算法自身后期存在着求解精度低、收敛速度慢和易早熟等不足。本论文针对鲸鱼优化算法所存在的不足进行分析和改进,并将改进后的算法应用于实际优化问题,目的在于进一步完善WOA算法理论和拓广其应用范围。本文的主要工作有如下3个方面:(1)为增强鲸鱼优化算法的开采能力,提高算法的收敛精度,受教与学策略的启发,将教学阶段和WOA算法结合形成教学鲸鱼优化算法(Teaching Whale Optimization Algorithm,TWOA),提高算法候选解的质量。针对算法后期易陷入局部最优,将单纯形法作为一种随机变异策略引入TWOA算法,提出一种教与学增强型鲸鱼优化算法(TSWOA),增强种群的多样性,提高算法的勘探能力,避免算法过早陷入局部最优。实验结果表明了教与学增强型鲸鱼优化算法具有收敛速度快,精度高等特点。(2)将教与学增强型鲸鱼优化算法应用于优化神经网络结构,基于标准UCI数据测试集,选择了7个不同的数据集进行训练,实验结果表明,TSWOA算法与其它元启发式算法相比,优化神经网络具有较高分类精确度和收敛精度。(3)针对传统算法在求解星敏感器参数标定过程中依赖初始值、易陷入局部收敛及WOA算法标定效果差的问题。基于Levenberg-Marquardt(LM)算法原理,充分利用WOA算法的全局搜索能力和LM算法的局部优化能力,提出一种混合WOA-LM算法,该算法在求解星敏感器参数标定问题上具有较高精度。