最优化是人类不断追求的目标,文中首先讨论了一种模仿蚁群觅食过程的仿生优化方法,通过分析其中蕴含的优化机理提出了一种基于Bayes统计推断的改进型蚁群优化算法,使改进后的算法在一定程度上克服了基本型蚁群算法易于早熟的不足.为了进一步拓展蚁群算法的应用范围和寻找一条新的信号处理途径,该文的一项主要工作内容就是致力于将蚁群算法的优化思想引入到信号处理领域,并用于实现对观测信号的噪声抑制.为便于比较,详细分析了两种典型的现代滤波方法:卡尔曼滤波法和主成分分析法,在肯定了两者优点的同时也分别指出了各自的局限性.譬如,卡尔曼滤波可以较好的估计含噪信号的一阶微分参量,但需要事先建立信号模型;而主成分类方法可以实现混沌信号与噪声的分离,却要求背景噪声无方向性.针对这些局限性,作者将局部循环相关操作植入到蚁群算法的路由选择策略中,实现了无先验知识时的噪声抑制,并取得了良好的效果.仿真试验表明,这种局部循环相关式蚁群算法可以提高信噪比15dB左右,而且具有计算简单和鲁棒性强等特点.本文的另一个工作重点是利用蚁群算法进行系统辨识,即,从含噪数据集中反演出原始模型.这里将混沌的遍历性和蚁群算法的搜索策略相结合,有效地通过了桩问题测试,准确的完成了模式辨识.