群智能算法具有较高的自组织性,个体功能简单而群体功能强大,由于其本身所具有的特点,在优化问题中受到越来越广泛的关注。人工鱼群算法(Artificial Fish Swarm algorithm,AFSA)属于群智能算法的一种,该算法具备较强的跳出局部极值解的能力与较强的全局探索能力,但是无法很好的利用历史最优解,同时局部开发能力较弱,本文主要针对AFSA的缺点做进一步的研究与改进,并将改进后的算法应用于函数优化、数据聚类和多阈值图像分割方面。本文主要工作如下:(1)针对函数寻优问题,提出了基于教学与差分交流的人工鱼群算法(TDAFSA)。该算法通过差分交流能够更加高效的加强群体中不同个体之间的信息交流,同时通过教学过程能够很好的利用历史最优解对个体进行正向引导。通过与AFSA和其他两种群智能算法在12组测试函数中的仿真结果对比,证明TDAFSA具有更强的局部开发能力与跳出局部极值点的能力,收敛速度快且寻优精度高。(2)提出了一种基于改进的人工鱼群与Kmeans混合算法,并应用于数据聚类问题中。该混合算法通过将TDAFSA与Kmeans算法动态结合,既克服了Kmeans算法对初始值的选取敏感度太高、易陷入局部极值点的缺点,同时又充分发挥了两种算法的优势。该混合算法与多种算法通过6组数据集合进行聚类仿真,结果证明了该混合算法的聚类结果正确率高且稳定性强。(3)提出了一种基于交叉变异人工鱼群算法,并应用于多阈值图像分割问题中。该算法引入交叉行为,加强了算法的局部开发能力;引入变异行为,增强了群体的多样性,因此能够更好的平衡算法的局部开发能力与全局探索能力。根据该算法与AFSA和其他两种群智能算法在4幅灰度图像中的多阈值分割仿真结果,证明基于该算法的多阈值选择方法能够减少分割后图像的信息丢失,进一步提高分割效果。