机器学习是人工智能研究领域的一个重要分支。本文对若干机器学习算法进行了理论与应用研究。重点研究了粒子群算法、电能质量扰动分类问题和基于内容的图像注释问题。具体内容包括：(1)对粒子群算法的研究。建立了粒子群算法的吸收态马尔可夫模型。分析了单个粒子找到最优解的概率。提出了粒子群算法能够收敛至全局最优解的两个充分条件，即全局性假设条件和单调性假设条件。提出了一种随机粒子群算法模型，并根据该算法模型，设计了两种粒子群算法，即柯西随机粒子群算法和高斯随机粒子群算法。这两种算法能够分别满足全局性假设条件和单调性假设条件，并能保证收敛至全局最优解。对于高维优化问题，设计了一种协同粒子群算法。在基准测试函数上的模拟实验结果表明，所提出的粒子群算法能够很好地解决优化问题。(2)为解决电能质量扰动分类问题，提出了一种基于遗传算法与支持向量机的混合算法。由于电网系统中观测点提取到的电信号特征经常包含一些与分类无关的特征，因此本文设计了一种遗传算法对电信号特征进行重新筛选，移除了与分类无关的特征。并利用支持向量机，对筛选后的电信号特征进行分类。模拟实验结果表明，所提出的算法能够很好地解决电能质量分类问题。(3)提出了一种基于支持向量的图像自动注释算法。该算法包含两大组成部分，即训练过程和注释过程。在训练过程中，设计了一种单数据簇支持向量模型，对训练图像数据进行建模。在注释过程中，计算待标注图像被每个单数据簇支持向量模型生成的概率，并根据这些概率设计数据融合算法对待标注图像进行注释。在基准图像测试数据库Corel60K上的模拟实验表明，所提出的算法能够很好地解决图像自动注释问题。