Gromov-Wasserstein距离下构建的两流形曲面间最小差异度优化模型的求解算法,是众多研究者在实际应用中不可避免的难点问题。主流的数值迭代寻优算法存在着依赖初始解导致局部最优的情况,且计算复杂,计算代价较大。针对此问题,本文提出了基于蚁群算法的Gromov-Wasserstein距离寻优算法。首先基于蚁群算法建立Gromov-Wasserstein距离寻优模型,其中需要模型的假设将Gromov-Wasserstein距离定义中的四元关系转换到蚁群算法中的二元关系。其次,考虑到计算量以及Gromov-Wasserstein距离寻优应用问题中元素的实际物理意义,对Gromov-Wasserstein距离矩阵提出新的松弛约束条件。接着,为了提高算法的鲁棒性,在蚁群算法中重新定义了距离累计方式—指数距离累计策略。最后,在TOSCA数据库下的3D非刚性图形匹配问题中实践检验算法。本文所提出的优化算法具有较高的收敛精度,较快的收敛速度,良好的抗噪性和稳定性等优势。除此之外,该求解算法在智能机器人、图形学和计算机视觉等领域都有很好的应用前景。