群集智能方法是一种能够有效解决大多数全局优化问题的新方法，这类方法往往能够比传统优化方法更快地发现复杂优化问题的最优解。现在其应用领域已扩展到多目标优化、数据分类聚类、生物系统建模、仿真和系统辩识等多个方面，群集智能理论为解决这类应用问题提供了新的途径。作为一种新兴的演化计算技术，群集智能方法已成为越来越多研究者的关注焦点。因此开展群集智能理论及应用研究具有重要的学术意义和应用价值。本文应用群集智能理论，对模式识别方法做了深入系统的研究，提出了相应的改进算法，并通过仿真实验验证了算法应用的有效性。论文主要工作如下。针对模式识别中如何既消除图像中的噪声同时又保持图像的细节不受影响的问题，本文针对均值为零的高斯噪声，提出基于四阶累积量消除法。同其它方法相比，本文方法消除噪声效果好，且能够较多地保留图像中的细节。基于粒子群优化(PSO)思想，本文提出从多种除噪方法中选出最佳除噪方法的优化算法，从而对图像效果进行最佳改善；此外，本文还将PSO应用于柔性形态学中用来选取最佳边缘检测算法，并通过实验验证了PSO在模式识别预处理中应用的有效性。特征选择在模式识别中具有极其重要的作用，它直接影响到模式识别的正确率及速率。进行正确而有效的特征选择，已经成为模式识别过程的重要步骤。虽然不少学者在相关的研究中提出了许多方法，但多数情况以经验或采用实验比较为主。为了选出使各类样本尽可能远地互相分开的特征，本文提出了一种基于信息熵的蚁群优化(ACO)特征选择算法，并对人脸识别进行了研究，验证所提算法的有效性。为了对分类方法进一步扩充和完善，本文提出了基于PSO的模式识别算法，首先建立所有样本类别的图像库，再将待识别样本和图像库中的图像进行二值化和细化等预处理，然后利用PSO对待识别细化图像和图像库中的细化图像进行点匹配，最后通过求匹配点之差的最小值来实现识别。本文通过对机动车车牌字符识别和线型机器人队形识别的研究，表明基于PSO的模式识别算法的有效性。本文还提出广义蚁群优化算法(GACO)，给出了多类别分类器的设计方法，并结合点坐标变换对机器人队形变换进行了研究，验证提出的GACO的有效性。