鸽群优化(pigeon-inspired optimization,PIO)算法是一种新颖的群智能算法,由段海滨于2014年提出。该算法通过对鸽群协作归巢的行为进行模拟,实现对最优化问题的求解。在该算法中具有两个独立的算子,地图、指南针算子主要实现鸽群的全局优化,地标算子用于实现鸽群的快速收敛。且该算法原理比较简单,所需要的参数较少,容易实现,在提出之后受到了较多研究者的关注,目前该算法已经应用于诸如调度、图像分割、路径规划等问题。虽然鸽群优化算法具有较好的性能,但是在求解较高维度的优化问题时,往往也存在算法收敛精度低,难以逃脱局部最优解的约束等。为了解决鸽群优化算法的这些问题,本文在研究鸽群优化算法原理的基础上,提出了改进的鸽群优化算法,并将改进的鸽群优化算法用于支持向量机(Support Vector Machine,SVM)参数优化中,并用于实现图像分类研究。主要的工作如下:首先,鸽群优化算法在进行个体状态更新过程中,采用了贪婪更新策略。在算法的后期容易使鸽群的多样性降低较快。为了提高鸽群优化算法跳出局部极值约束的能力,提出了模拟退火的状态更新规则,赋予较差状态被接受的机会。同时在地图和指南针算子中,加入线性递减的惯性权重,使前期在较大范围搜索,能够防止局部最优情况的出现,后期局部搜索可以使算法快速收敛。并且在算法后期增加了种群交流行为,以提高算法的扩散性。其次,支持向量机可以很好的解决分类问题。但是,支持向量机中核参数的选取决定着支持向量机的性能,且该参数的设置没有规律可循。本文研究了应用鸽群优化算法实现支持向量机参数优化的机制,实验表明鸽群优化算法对支持向量机参数优化具有较好的效果。最后,研究了改进的支持向量机实现图像分类。在该过程中,首先提取图像的SIFT特征,并基于词袋模型和直方图对SIFT特征进行组织,然后将组织后的SIFT特征与支持向量机的核函数相结合,构建不同的图像分类系统。通过实验表明,本文提出的方法对于图像分类有较好的效果。