分布估计算法与传统遗传算法一样，提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，具有很强的自组织，自适应和自学习等特征，所以在组合优化，机器学习，生产调度，过程控制，图像处理，人工生命等领域都有着广泛的应用前景。由于分布估计算法具有较强的理论基础，并且较好的改善了简单遗传算法存在的连锁问题，近年来已经成为进化计算中研究的热点。 分布估计算法的关键问题是如何根据给定问题的结构精确的估计出分布的信息。为了克服显示关系模型在估计分布时的缺点，人们提出了基于隐示关系模型的算法，通过隐含变量机制处理变量间的各种依赖关系。这类算法可以快速的估计出分布信息，有效地克服了计算量过大的问题，具有很好的研究前景。 本文首先对几种主要的关系模型进行了回顾和总结。重点分析和研究了基于隐示关系模型的分布估计算法，分别对基于概率主成分分析模型的算法和基于混合因子分析模型的算法进行了分析和改进。本文的主要工作如下： 第一：分析了基于概率主成分分析的分布估计算法在进化过程中存在的多样性降低过快的问题，这使得算法在相似的领域内重复搜索多次后才能跳出，造成收敛变慢，或早熟收敛。针对这个不足，提出了一种基于小生境的概率主成分分析分布估计算法。实验结果表明，该算法能够有效地防止早熟收敛，提高算法的搜索效率。 第二：分析了基于混合因子分析的分布估计算法在使用EM算法迭代的过程中，由于参数之间较强的耦合性使得算法收敛速度较慢的问题，以及算法需要预先固定高斯混合项的个数因此不具备良好的灵活性和局部性的问题。针对这两个不足，提出了一种基于次胜者受罚的竞争学习的混合因子分析分布估计算法。并且对新算法的全局收敛性进行了证明。实验结果表明，该算法能够快速准确地估计出分布，有效地提高全局搜索效率。文章最后对新算法的全局收敛性进行了证明。