天牛须搜索算法（beetle antennae search,BAS）是受天牛觅食求偶行为启发提出的一种高效智能优化算法。由于其运算量小,收敛速度快,控制参数少,并且易于实现等特点,被广泛的应用于工程领域。然而,BAS算法存在高度依赖单体搜索,且不能很好的利用历史信息,每次更新种群过于随机,容易陷入局部最优,在复杂问题上运算结果不稳定等问题。本文针对BAS算法的局限,从提高种群质量和平衡算法的勘探开采能力两方面着手改进,并提出两种改进算法。本文主要创新点及研究工作如下:（1）为了增强BAS算法的寻优性能,提出一种基于差分进化策略的天牛须搜索（BASD）算法。该算法将单只天牛使用佳点集初始化方法扩展为天牛种群,大大缓解了算法受单个体影响过大的问题,同时也提高了算法鲁棒性;又设计了一种动态差分进化指导策略,使用具有较强勘探能力的动态差分进化策略指导天牛进行搜索,较好平衡了算法开采和勘探能力。通过14个基准函数对BASD算法进行测试,并与几种先进智能优化算法的优化结果进行比较,结果显示BASD算法优化性能整体性能更好。最后,将BASD算法应用于图像增强中,结果表明使用BASD算法增强后图像灰度分布更均匀、分布范围更大。并将其应用于图像增强领域,获得较好的图像增强效果。（2）考虑到种群质量对于算法性能的影响以及引入差分进化策略增加的时间损耗,又提出一种基于多算子改进的天牛群触须搜索算法（MO-BSAS）。该算法首先使用精英反向学习策略初始化天牛种群,提高了算法的种群多样性和寻优能力;然后设计了一种正弦衰减概率因子指导的多算子搜索策略,依概率的选择不同的策略算子进行搜索,有效平衡了算法勘探和开采的能力,而振荡下降的概率分布模型加快了算法收敛速度。通过与8种先进智能算法在14个不同特性的基准函数上的性能分析,结果显示MO-BSAS算法较比较算法有更短的收敛时间、更优的收敛精度和速度,验证了改进算法的有效性。