针对实际工程应用中出现的各种复杂性、非线性、约束性问题,寻找适合于大规模并行计算的智能优化算法成为目前一个主要研究方向和难点问题,引起了学者们的广泛关注,并且正在快速发展中。目前,建立在生物智能或者物理现象上的启发式智能优化算法在实际应用中仍然存在许多瓶颈问题。本文工作主要围绕智能优化算法中的量子进化优化和深度复神经网络模型提出了一些改进方法并应用到复杂网络社区检测、极化SAR图像分类以及图像生成中,主要包括以下几个方面:1.社区结构是复杂网络中的一个重要特征,挖掘社区结构可以发现网络的潜在规律和现象,有助于更好地理解复杂网络结构与功能之间的关系,具有非常重要的理论意义和广泛的应用前景。大规模复杂网络社区结构分析在现有算法中面临着空间寻优性能偏弱以及耗费时间过长的问题。本文第二章针对该问题首次提出了将蚁群算法和量子计算有效结合的量子蚁群优化算法并应用于大规模社区检测问题(QACO-Net)。该算法中,蚁群算法能够充分的利用复杂网络的邻域信息进行搜索,具有很好的局部搜索能力。引入量子旋转门算子来更新蚂蚁的信息素,有助于个体找到更好的解,与此同时,由于量子概率振幅测量输出的不确定性可以有效地避免搜索陷入局部最优。另外,量子蚁群算法是离散算法,适用于解决社区检测这个离散的问题。通过实验结果对比证明了第二章所提算法对人工合成数据和真实网络数据社区划分均有效。2.在复杂网络社区检测中,模块度是目前常用的度量网络社区划分指标。然而模块度优化存在分辨率限制问题,即通过模块度优化方式无法检测出小于一定规模的社区。本章节针对分辨率限制及复杂网络中数据规模较大的问题,在上一章节的基础上提出了量子离散多目标粒子群的社区结构检测算法(QDM-PSO)。该算法将量子离散粒子群算法作为粒子更新策略,具有优化参数少、能够快速收敛的优势。加入量子机制使得粒子的位置和速度具有不确定性,单个粒子可以出现在搜索空间的任何位置,因而具有很好的全局搜索能力。其次,算法采用多目标的非支配选择策略克服了模块度分辨率限制的问题,能够获得不同分辨率下的复杂网络社区划分结果,最终决策者选取模块度最大的解对应的社区划分。实验对比表明该算法不仅对人工合成数据和大规模的真实数据有效,而且收敛速度快。3.随着遥感系统的快速发展,复杂场景的极化合成孔径雷达(PolSAR)可以获取越来越多丰富的PolSAR图像数据,怎样快速有效地对这些海量数据解译分析是目前迫切需要解决的难题之一。目前深度学习在遥感数据的解译和理解方面有着较好的突破,然而绝大多数深度模型都是实数域的,缺乏复数域模型对应的构建模块。第四章在深度复数网络模型的基础上提出一个系统的深度复卷积神经网络的智能优化方法,充分利用复数具有更加丰富的表征能力,同时促进对噪声强健的记忆检索。该复数域的深度卷积神经网络包含复数权重初始化、复数卷积、复数最大池化,复数激活函数、复数批量归一化、复数全连接及复数输出层等。对比实验表明该深度复神经网络模型对于极化SAR图像分类具有可行性和有效性。4.生成对抗网络(GANs)作为目前炙手可热的智能优化方法,引起AI业内人士的密切关注,成为目前AI领域的主要研究课题之一。该网络模型由一个生成模型和一个判别模型组成。生成模型不断捕捉训练样本的概率分布,将输入的随机噪声转化为生成样本,判别模型通过观察训练样本和生成样本,判别生成样本到底是真的还是假的。两者之间互相竞争训练达到稳定状态。现主要用于生成自然图像、超分辨率文本转化为图像、图像分割、半监督分类、有监督分类等。第五章在深度卷积生成式网络模型(DCGAN)的基础上初次将实数域的生成网络拓展到复数域的深度复卷积生成网络,并且应用到图像生成问题中。实验结果证明该复数形式的卷积对抗生成网络模型在图像生成中具有很好的效果。