群智能算法是近几十年发展起来的新兴演化计算技术,具有易于实现、适于并行处理等特点,一些典型的算法,例如GA、PSO、DE等,已经成为解决许多艰难问题的强大方法。作为一种新的群体智能算法,蝙蝠算法（BA）受到蝙蝠根据回声定位来猎捕食物的启发以搜索优化解决方案,BA的数学模型十分简单,收敛搜索速度快,粒子间可以进行并行以及分布式计算。而由于超级蝙蝠的存在,一方面蝙蝠算法可以快速收敛;另一方面,由于超级蝙蝠会吸引其他蝙蝠向其聚拢,因此,很难跳出局部极值,就会导致算法过早收敛和后期的搜索收敛效率低下。针对蝙蝠算法以上的问题,我们分别从提高蝙蝠之间的协作能力和增强算法开发能力和勘探能力等方面,针对性的提高算法的性能。在本论文中,根据不同的需求选择,我们提出了两种有关蝙蝠算法的改进:（1）基于动态反向学习的蝙蝠算法。该算法通过反向学习策略生成反向群体,因此通过反向学习将更多有强竞争性个体添加到种群中,同时,我们对当前种群和相反种群进行精英选择,增加种群多样性以及增强搜索强度,从而避免了算法陷入局部最优及后期陷入停滞;（2）基于跨边界学习和均匀爆炸策略的蝙蝠算法。跨边界学习策略改进了反向学习,扩大了学习范围,从而在算法快速收敛的过程中保持全局勘探能力。为了增加算法的局部搜索能力,我们提出了均匀爆炸策略,这种策略在保持与烟花算法相同搜索精度的情况下,大大减少了计算资源的消耗。为了验证算法在实际问题中的效果,我们通过改变编码策略将其应用在0-1背包问题中,同时,我们结合蝙蝠算法与FCM、KFCM算法,将其应用于聚类问题以及图像分割当中。