最优化概念反应了人类实践活动中普遍的现象，即要在其它各个方面允许的前提下，争取在可能范围内的获得最佳效果。因此，最优化问题成为了现代数学的一个重要课题，并且涉及多种不同学科，其应用涉及系统控制、人工智能、模式识别、生产调度和计算机工程等各个领域。优化技术作为一个重要的学科分支，受到了众多学者的关注。近年来，涌现出一批经典算法和启发式优化算法，成为了研究人员关注的热点，其中主要包括自适应动态规划(ADP)、神经网络算法(NN)、遗传算法(GA)、模拟退火算法(SA)、禁忌搜索算法(TS)、粒子群优化算法(PSO)、混沌优化算法(COA)等。本论文主要研究了几种新型的智能优化算法，并将它们应用到了预测控制和图像检测领域。主要研究内容有以下三个方面：　　 第一，新型预测控制算法的研究。文章提出了两种新型的神经网络预测控制算法和一种基于粒子群优化的模型预测控制策略。首先，两种新型的神经网络预测控制策略，一种是通过改进优化目标函数得到的，另一种，则是将一种新型的混沌粒子群优化算法(CPSO)引入进来，用来训练神经网络和作为神经网络预测控制中的优化控制器。接下来，提出了一种新型的基于粒子群优化的模型预测控制(MPC)策略，将混沌粒子群优化算法应用到模型预测控制中，用以解决带有约束的优化问题。对于新型的控制算法，都引入了实际的系统来进行仿真试验，并通过仿真结果，验证了算法的有效性。　　 第二，新型数据驱动控制策略的研究。文章首先通过改进一种基于同步扰动随机逼近(SPSA)的数据驱动控制方法的优化目标函数，从而得到了更加有效的新型数据驱动控制策略。接下来，提出了一种基于自适应动态规划(ADP)的数据驱动控制算法。ADP和神经网络预测控制的概念被同时引入进来，动态规划用于优化调整控制器参数，而预测控制的概念则被用来改进整个控制器的结构。最后，这两种新型的数据驱动控制算法都被应用到非线性系统的跟踪控制问题上，并通过仿真实验，验证了它们的有效性。　　 第三，新型智能优化算法的研究及其在图像检测中的应用。首先，是基于子种群的混沌粒子群优化算法的研究。将混沌的概念和子种群(Species)的概念。