智能优化算法是受到自然界生物种群行为、人类社会行为或自然现象原理启发而提出的。相对于传统优化算法,智能优化算法具有全局最优性能,鲁棒性强,算法简单,可并行处理等特点,受到了国内外学者的大量关注。头脑风暴优化算法(BSO)是第一个基于人类创造性解决问题的思路而提出的,其原理简单并且收敛精度高,在通信、控制、军事等领域得到了广泛应用。然而BSO算法尚处于发展阶段,存在过早收敛,易陷入局部最优等缺点。针对BSO的不足,文本分别使用小生境技术和人工免疫机制对BSO算法进行了改进,提出了基于小生境的头脑风暴优化算法(NBSO)和基于人工免疫的头脑风暴优化算法(AIBSO)针对算法在聚类过程中个体聚集在一起,种群多样性低的缺点,将小生境技术引入到算法中,使得种群的个体在不同的生存环境中更新,保证了所有个体能够在约束空间里分散开来,防止了全部个体都聚集在一个生存环境中,从而维持了种群的多样性,避免算法过早收敛。在AIBSO中,引入了免疫系统的免疫信息处理机制,使得个体适应度分层不同,保持一定程度的聚集,确保种群的多样性。同时引入了接种疫苗策略,提升了算法进化过程中的收敛速度和精度。实验表明本文提出的两种算法具有较好的性能。随着信息时代的不断发展,图像数据库不断增大,如何才能在大量图像中迅速有效地搜索到用户想要的结果成为当前研究重点。由于BSO算法具有原理简单,鲁棒性强,且收敛精度高等特点,本文将AIBSO应用于图像检索中。基于内容的图像检索(CBIR)是通过提取图像的颜色、纹理、形状等底层视觉特征来实现图像匹配。相对于单一特征检索,基于多特征融合的图像检索能够更加全面地表示图像信息。在多特征融合中,各个特征的比例选择对检索结果至关重要,传统的方法是人为设定或者等比例融合,这忽略了各特征之间的优先级,因此本文提出了基于AIBSO优化权值的多特征融合图像检索。本文共提取了颜色直方图,颜色矩,颜色结构描述子,Tamura纹理特征、灰度共生矩阵纹理、小波变换纹理、Gabor变换纹理、边缘直方图描述子以及Hu不变矩这九种视觉特征,使用AIBSO进行图像检索。实验结果表明,文本提出的算法能够更准确的检索到目标图像,检索系统的查准率得到提高。在CBIR中,特征选择对图像检索的性能有着重大影响,然而,手工地选择选取是一件非常费力、需要专业知识的方法。深度学习是一种通过组合低层次特征形成更加抽象的高层特征来发现数据的分布式特征表示的方法,它直接从原始图像中提取特征,不需要预先提取图像的底层特征。本文使用深度卷积神经网络自动抽取图像特征,并将抽取的特征应用于图像检索中,消除了不同底层特征对图像检索结果造成的影响。