分布估计算法是基于概率模型的一类新兴进化算法,它将统计学习理论与进化算法相结合,通过统计优势群体的分布来指导新一代种群的产生。分布估计算法经提出以后,迅速成为进化计算领域的研究热点,大量学者对其进行了理论研究和优化应用。虽然学者们取得了大量成果,但仍有很多问题需要进一步研究。本文根据分布估计算法特点,主要从分布估计算法概率模型及其构建方式等方面对算法性能进行改进,并将改进后的分布估计算法用于ⅡR数字滤波器优化设计。本文主要完成了以下下工作：1.改进了分布估计算法概率模型建模方式。本文结合分布估计算法概率模型在进化过程中的变化特征,从概率模型建模方式上对分布估计算法进行了改进。将以样本均值为概率中心、一个种群用一个概率模型来描述其分布的方法拓展到以优胜个体为概率中心、多个概率模型描述一个种群分布的建模方式。通过实验对比,改进的分布估计算法具有比同期经典分布估计算法更好的搜索性能。2.通过引入柯西概率分布,对分布估计算法概率模型进行了改进。在求解连续优化问题时,经典分布估计算法一般采用高斯分布作为分布估计算法的概率模型,高斯分布具有尖峰的特点,能很好的利用优胜个体的引导进行精细开采,但高斯分布尾部较窄,具有较小的跳变能力,全局寻优能力不够强。为了增强算法的全局搜索能力,引入了有较广尾部的柯西分布,目的在于提高算法的跳变勘探能力。本文通过将柯西分布与高斯分布的组合,并对其组合方式进行了实验探讨,给出了既兼顾柯西分布勘探能力又具备高斯分布精细开采能力的组合概率模型分布估计算法。通过大量的标准函数集实验测试,印证了组合概率模型分布估计算法思想的有效性和优异性。3.将组合概率模型分布估计算法用于优化设计ⅡR数字滤波器,获得了比相关文献中性能更优的ⅡR数字滤波器,拓展了分布估计算法应用领域。本文工作得到国家自然科学基金(61170016)、教育部新世纪优秀人才支持计划项目(NCET-11-0715)和教育部留学回国人员科研启动基金项目的共同资助。