一直以来,智能优化算法作为演化计算技术中的一颗明星,无论在理论分析还是实际应用中都占据着一席之地。相比较于梯度下降类算法,智能优化算法由于结构简单、不需要连续可微的运算环境等优势,可以适配绝大多数优化问题,特别是针对部分NP难问题可以获得更好的寻优效果。通过模仿自然界中生物种群的变化,一种重要的智能优化算法——群智能优化算法不断推陈出新,为最优化问题提供了很多新的解法。近几年,通过模拟狮群进化或者捕猎的过程,学术界提出了几种基于不同寻优机制的狮群算法。其中,有两种狮群算法由于优越的寻优能力和完善的信息交流机制获得科研界的广泛认可,分别是基于遗传进化过程的狮群进化算法和基于捕猎合作机制的狮群优化算法。但是,两种狮群算法也各有缺点,本文针对二者的时间复杂度较高、易陷入局部最优的问题进行研究,并改进了各自的搜索机制,然后分别在灰度图像分割和乳腺疾病识别场景中应用并解决了初始聚类中心选择和超参数优化的问题。最后实验结果从多方面验证了几种新型算法的有效性、鲁棒性和适配性。论文详细论述了两种狮群算法的理论机制和数学模型。基于遗传的狮群进化算法在寻优机制上类似于遗传优化算法,具有良好的局部搜索能力和高效的变异因子,所以算法寻优结果好但时间和空间复杂度也相对较高;基于捕猎的狮群优化算法类似于人工蜂群算法,种群间有效信息利用率高,可以快速收敛,但是易陷入局部极值。针对狮群进化算法的时间复杂度相对较高的问题,我们将差分变异因子融入狮群进化算法的更新变异机制中改进为差分狮群进化算法,提高了种群多样性的同时降低了时间和空间复杂度。接着,提出了一种融合模糊聚类和差分狮群进化算法的灰度图像分割模型。由于初始聚类中心的设定是随机生成的且没有一种公认有效的生成方法,基于聚类的图像分割方法的有效性和稳定性都会受到较大程度的影响,所以本文利用差分狮群进化算法进行初始聚类中心的选择,使分割精确度获得了较好的提升。之后针对狮群优化算法易陷入零域极值的缺陷,完善了幼狮更新机制中部分不合理的方式,然后添加趋化机制来提升其局部寻优能力,提出一种趋化狮群优化算法,提高了原狮群算法的寻优精度。利用趋化狮群算法收敛快、精度高的特点,我们将其应用于支持向量机RBF核函数的超参数选择场景中。通过趋化狮群算法进行超参选择的支持向量机,在乳腺疾病识别过程中取得了较好的分类效果。最后,基于两种狮群算法的机制优化方式和适配场景进行了工作内容的总结,并给出了新型算法的优化和推广方向。