人类社会生活多个领域中的问题可以描述为优化问题(optimizationproblem)，而求解优化问题一直是学术研究领域的热点。随着计算智能的飞速发展，越来越多的群智能算法如粒子群算法、萤火虫算法、蚁群算法、蜂群算法等在复杂优化问题中得到应用，目前应用的结果充分显现了群智能算法解决复杂优化问题的明显优势及巨大潜力。布谷鸟搜索算法(Cuckoo Search，CS)是在2009年由学者Xin-she Yang等模仿布谷鸟寻窝产卵的行为提出的。由于其模型简单、参数少、易于实现等优点已经被成功应用到工程优化、设计优化等领域的优化问题中。但该算法在算法性能及应用领域等方面有进一步提升的空间，如求解精度、收敛速度的提高，局部寻优能力的提升，应用领域的拓展等。针对以上各方面，本论文从提升CS算法的性能出发，拓展了算法的应用领域。主要研究成果如下：（1）针对种群规模变大会影响CS算法寻优速度这一问题，提出一种小规模多种群CS算法。在增加种群多样性的同时缩短了搜索时间。实验结果表明改进的算法有更快的收敛速度、更高的求解精度。（2）经济控制系统中生产库存系统、机器最优分配问题的实例测试结果表明CS算法与小规模多种群CS算法求解经济控制系统的有效性。这两种算法在动态投入产出模型中的应用，得出了比其他参考文献更优的解，更进一步说明了小规模多种群CS算法的优化性能比原算法更优。（3）CS算法中步长更新是随机的，缺乏自适应性。针对这一问题提出了变步长自适应CS算法。通过标准测试函数的测试，变步长自适应CS算法在收敛速度和求解精度等方面较原算法得到了明显改进。（4）用变步长自适应CS算法求解化工动态优化问题中的批式反应器、管式反应器和生物反应器表现出了较优的性能。（5）针对CS算法收敛速度慢，求解精度不高等不足提出了基于单纯形法的CS算法，通过实验表明了改进的算法在收敛率、收敛速度、求解精度方面均有明显提高。（6）用基于单纯形法的CS算法求解减速器设计、伸缩绳设计、焊接条设计等约束优化问题，算法表现出了明显的优势。