蜘蛛猴优化（Spider Monkey Optimization,SMO）算法是由J.C.Bansal等学者于2014年提出的一种新兴群体智能优化算法,它是受具有裂变融合社会结构的蜘蛛猴觅食活动的启发而提出的。SMO算法主要是通过全局领导者,局部领导者和个体所在小组成员的经验来更新位置,并在适当的时候进行种群的分组或融合,其具有原理简洁,参数少等特点。但SMO算法与其他优化算法一样存在求解精度低、收敛的速度缓慢和容易陷入局部最优等现象,且SMO算法是用来求解无约束优化问题,而现实中的问题大多是约束优化问题,因此,对于SMO算法的研究具有很大的潜力。对于无约束优化问题,运用自适应惯性权重和纵横交叉策略对SMO算法进行改进,提出两种改进算法。第一种,针对SMO算法求解精度低的不足,在局部领导者阶段引入基于个体函数值的自适应惯性权重来提高蜘蛛猴的自我学习能力,增强个体的全局搜索能力和局部搜索能力,提出了基于自适应惯性权重的改进蜘蛛猴优化算法（Modified Spider Monkey Optimization Algorithm Based on Self-Adaptive Inertia Weight,SAWSMO）;第二种,针对SMO算法后期易陷入局部最优且种群多样性降低的不足,在蜘蛛猴优化算法的全局领导者阶段和局部领导者学习阶段之间添加个体的横向交叉和纵向交叉,以此来增加种群的多样性,增强算法的全局搜索能力和跳出局部极小的能力,提出了含有纵横交叉策略的蜘蛛猴优化算法（Spider Monkey Optimization Algorithm With Crisscross Optimization,CSMO）。以上两种改进算法,都通过数值实验从不同方面与其他智能优化算法进行了数值比较。结果表明,这两种算法在求解所得目标函数值的精度上都比SMO算法有所提升,且计算量与SMO算法相比也有所减少。对于约束优化问题,利用增广Lagrange乘子法对约束优化问题进行转化,形成一系列界约束优化问题,然后运用CSMO算法求解界约束优化问题,提出了一种求解约束优化问题的改进蜘蛛猴优化算法（Improved Spider Monkey Optimization for Solving Constrained Optimization Problems,LCSMO）,并利用约束优化基准测试问题对所得算法进行了数值实验。实验结果显示,所得LCSMO算法能够有效地求解约束优化问题,与其他算法相比效果更好且更稳定。运用LCSMO算法求解经典压力容器设计问题和拉伸/压缩弹簧设计问题,与其他算法的数值比较结果显示,提出的LCSMO算法能够提供更好的设计方案。