自然计算是借鉴自然界中的相关功能与作用机理抽象出来的计算模型，因为对问题本身的信息没有过多要求，因此具有较好的鲁棒性，研究涉及领域非常广泛。但一般的自然计算逐渐寻优的速度不是特别理想，常常是以时间为代价换取的最优解的。为此，本文引入超启发式算法模型，把自然计算与数据的稀疏表示结合起来，即用传统的自然计算方法作为底层计算，把压缩感知中的相关稀疏表示方法作为高层的搜索规则，所以其搜索空间的每个点不再是仅代表问题实例的解，而是在一个每个点都代表一系列原搜索空间实例解的组合的搜索空间里进行，因此具有更强的寻优搜索能力和高效性。本论文的主要工作概括如下：(1)结合函数优化问题，提出了一种基于稀疏的免疫克隆算法，该算法是在超启发式算法框架下进行。用KSVD算法和NMF算法来作为高层的数据稀疏表示，在张成的一个高效空间里，再引入自然计算中的免疫克隆算法作为底层的寻优搜索算法，这样既提高了效率，又保留了免疫克隆算法的优点。实验结果表明，该算法相比传统的免疫克隆算法，仍有较好的寻优能力，但时间花费大大减小。(2)结合数据挖掘的聚类问题，采用自然计算中免疫克隆算法解决传统的FCM算法对初始点敏感问题，以保证其稳定性和准确性。虽然免疫克隆算法收敛较快，但整体花费时间长，所以引入稀疏的方法先进行一次高层的搜索，可以认为是在转换空间里的预聚类，然后再进行传统的聚类，以提高效率。实验结果表明，这种超启发式的免疫克隆算法在解决数据集的聚类问题时，其稳定性和准确率大大提高于简单的聚类方法，而时间上比简单的免疫克隆算法花费减少。(3)用我们提出的基于稀疏的自然计算方法解决图像分割问题。为了证实不仅仅只有免疫克隆算法可以作为超启发式算法的底层算法，这一章里我们采用遗传算法作为超启发式算法的底层计算，结合图像分割问题，即用稀疏的遗传算法得到分割结果。实验结果表明，该算法还是具有不错的性价比，为解决大量复杂数据提供了一种有效思路。本文工作得到了国家自然科学基金(61003198，60970067,60803097)；国家部委科技项目：9140A07011810DZ0107和中央高校基本科研业务费专项资金(K5051302027)。