本文对连续禁忌搜索算法作出改进，提出了两种改进的算法ITS和TS_SQP，并将改进的算法应用于系统辨识以及反馈神经网络的训练。本文主要的研究成果和创新点包括： 1) 对连续禁忌搜索算法进行改进，提出了改进的算法ITS。在ITS算法中，既考虑到多样性搜索策略，将当前点的邻域空间用一组同心超矩形进行划分，在每个外围同心超矩形中随机选取一个点组成部分邻域；又通过改进引入了特赦规则，在中心超矩形内也随机选取一定数量的点，与外围同心超矩形内选取的点共同组成当前点的邻域。通过对一些典型测试函数的仿真结果表明改进算法有助于更快、更精确的搜索到全局最优点。 2) 针对禁忌搜索算法局部搜索的随机性，首次提出了一种与SQP算法结合的禁忌搜索算法，TS_SQP。利用禁忌搜索算法的全局收敛性，结合SQP局部搜索快速收敛的能力，改善传统禁忌搜索算法的搜索能力，使禁忌搜索算法可以获得精确的最优点。在TS_SQP算法中，首先产生当前点的邻域，然后以邻域内的每个点为初始点运行SQP算法，所有收敛点构成新的邻域，最后运用TS规则更新当前点。仿真结果表明，与ITS比较，TS_SQP全局收敛的速度更快，获得的最优点更精确。 3) 将改进禁忌搜索算法(ITS、TS_SQP)应用于系统辨识，以改善传统的辨识办法存在局部极小等缺点，并实现了对包括滞后在内的所有参数同时辨识。通过对液位储罐模型、离散、连续以及高阶系统的仿真实验表明了算法的可行性及有效性。 4) 将改进的禁忌搜索算法(ITS、TS_SQP)应用于反馈神经网络的训练。其方法实质是将神经网络的训练问题转化为优化问题，利用禁忌搜索算法的全局寻优能力获得最优的神经网络权值与阈值。仿真实验表明了该方法具有很好的性能，并且简单易实现。