对于许多复杂的控制系统而言，很难用传统的确定型模型或精确的数学显性解析来描述，这就需要研究人员和工程师们使用系统辨识的方法从大量的观测数据中提炼出相应的数学模型，以揭示观测数据中隐藏的规律。因此，系统辨识就是根据测量系统产生的各种数据去构造系统的模型，它是智能控制领域的一个重要研究分支。复杂的非线性系统辨识是智能控制领域中的难点和热点。系统辨识从本质上讲是一个优化问题，因而学习算法是研究的核心问题之一。传统的学习算法已经无法满足系统对辨识精度和收敛速度的要求，为此，人们提出了各种改进的算法，并取得了大量的研究成果。与此同时，随着人工智能的兴起，进化计算与群智能优化方法为复杂的非线性系统辨识问题开辟了新的解决途径。本文从维护种群多样性角度出发，分别提出了基于动态多子群协同、邻域拓扑搜索、高斯采样学习、混合优化等方法与技术的教学优化模型和算法，有力地推动教学优化算法的理论研究；此外，针对教学优化算法在IIR数字滤波器设计与混沌时间序列预测等方面的应用展开东统、深入的研究，为新型智能控制研究提供了新的方法支撑。　　论文主要在以下几个方面展开了研究工作。　　1、借鉴现实世界中普遍存在的协同思想，提出了基于动态组策略的教学优化算法(DGSTLBO)，体现了空间域内各子群间的协同作用关系。该方法在教阶段，每个学习者向其所在学习小组的组均值个体学习，而不是向其所在的班级均值个体学习；在学阶段，每个学习者采用随机学习策略或量子学习策略学习；最后，经过若干次迭代学习后，所有个体重新分组，这有助于维持学习者种群的多样性，避免学习者出现早熟收敛。初步的理论分析表明算法具有全局收敛性。18个基准测试函数在10维、30维和50维3种情况下的实验仿真表.DGSTLBO能够提高解精度，加快收敛速度，取得了较好的优化性能，是求解全局优化问题的一种有效方法。　　2、借鉴自然生态系统与社会生活中普遍存在邻域拓扑关系，构建了一种改进的基于邻域搜索的教学优化算法(NSTLBO)，体现了邻域中个体间的结构关系与相互间的信息共享机制。该方法中每个学习者的变异被限制在特定的环型邻域范围内，以充分利用邻域空间信息，避免整个群体在局部极小处过收敛；此外，采用一种新的变异操作排除学习者种群中的重复个体，以维持种群的多样性。理论分析表明，从概率上讲，邻域基搜索算法比单一种群搜索算法有更好的全局搜索能力。对32个基准测试函数和2个函数逼近实例的仿真测试验证了新算法的可行性和有效性。　　3、“无免费午餐定理”指出了任何一种算法都不可能在所有方面都占优。因此，构造混合算法为优化问题的求解提供了一种新的思路。本文将骨干优化方法中的高斯采样方法引入教学优化方法中，设计了一种新的骨干教学优化算法(BBTLBO)。在BBTLB算法中，教阶段每个学习者采用原始TLBO算法教阶段中的学习策略与基于邻域搜索的高斯采样学习策略相结合的交互式学习策略，学阶段每个学习者随机选取原始TLBO学阶段中的学习策略或新的邻域搜索策略进行学习。为了验证BBTLBO的优化性能，对20个基准测试函数进行了仿真测试，仿真结果验证了算法的有效性。　　4、针对教学优化算法在多目标优化中的应用开展研究。首先介绍了多目标优化问题的基本概念、发展概述以及算法性能评价指标。接着设计了一种新的多目标教学优化算法(MOTLBO)，该算法采用非支配选择机制评估更新学习者；为保存到目前为止搜索到的最好学习者，采用一个外部精英存档机制；为合理控制外部精英存档的解集的大小及维持解集的多样性与分布性，采用非支配排序与拥挤距离排序选择当前优化解集与外部精英存档解集的非劣解集中更好的学习者。最后，为了验证所提方法的计算性能，采用6个多目标基准测试函数和两个工程设计问题对MOTLBO的计算性能进行了仿真测试。实验结果表明，所提的MOTLBO算法是有效的，并具有一定的竞争力。　　5、针对教学优化算法在实际工程中的应用开展研究。首先，构建了一种改进的基于差分变异的教学优化算法(ITLBO)，采用基准测试函数对ITLBO的优化性能进行了测试，并将该算法应用于IIR数字滤波器参数估计问题，仿真实验表明ITLBO取得了很好的参数估计性能；然后，设计了一种基于教学优化算法与差分进化的混合优化方法(TLBO-DE)，在对其优化性能测试分析的基础上，将该算法应用于混沌时间序列预测问题，实验结果表明，TLBO-DE针对基于MLP模型的沌时间序列预测问题取得了很好的辨识性能。　　最后，对全文的研究工作进行了总结，并展望了教学优化算法及其应用下一步有待研究与探索的方向。