海樽优化算法（Salp Swarm Algorithm,SSA）是模拟海洋中海樽生物群体觅食行为提出的一种新型启发式优化算法,该算法具有结构直观、易于理解、搜索能力较强等特点,在人工智能、模式识别、系统控制、生产调度等领域应用十分广泛。随着对SSA算法的深入研究,我们发现该算法在执行的后期存在着难以达到较高精度、搜索效率低下和易陷入早熟等不足。本论文针对海樽优化算法所存在的不足之处进行分析和改进,并将改进后的算法应用于一些复杂优化问题,目的在于进一步完善SSA算法理论、优化其性能和拓广应用范围。本文的主要工作有以下3个方面:（1）为增强海樽优化算法的种群多样性,模拟海樽种群觅食的螺线拓扑结构,提出一种极海樽优化算法,该算法可在极空间中进行种群的初始化和个体位置的更新,利用极径和极角的大小变化来更新海樽个体的位置,实现增加了算法种群多样性,增强了算法后期的搜索速度。所提出极海樽优化算法在超越极坐标方程求解和螺线优化设计等工程应用问题中取得了较大成功。（2）为平衡海樽优化算法的勘探性和开发性,提出一种带变邻域策略黄金正余弦海樽优化算法,其黄金正余弦算子能够平衡海樽优化算法的勘探性和开发性,提高收敛速度和寻优精度;变邻域搜索策略引入,扩大其算法搜索范围,避免算法后期陷入局部最优。实验仿真结果比较表明,所提出带变邻域策略的黄金正余弦海樽优化算法,整体优化性能更优。（3）形状匹配是图像识别领域最有代表性的方法,为克服传统的模板匹配算法具有定位差、计算量非常大的缺点,将所提出带变邻域策略的黄金正余弦海樽优化算法与APM模型结合应用于形状匹配问题中,并与原始算法以及多种新型启发式优化算法进行比较,大量的形状匹配实验结果表明,带变邻域策略黄金正余弦海樽优化算法性能优于其他优化算法。