在大数据与人工智能时代,计算机科学技术的迅猛发展彻底改变了人们传统的生活方式。为了提供更好的用户体验,解决诸如多媒体分类、目标检索、数据挖掘等工程实践中的难题变得更加紧迫,此类问题通常可以转化为高维、非线性的目标函数优化问题,通过求取目标函数的最优解来获得最佳的解决方案。由于这些问题可能不可微且系统的实时性要求较高,使用传统非线性优化算法难以解决,因此,寻求更高效的优化算法成为解决此类问题的关键。智能优化算法的出现为这类问题提供了切实可行的解决方案,所以,对智能优化算法的研究具有重要的理论价值和工程实践意义。本文对智能优化算法中的入侵性杂草优化算法(Invasive Weed Optimization,IWO)进行深入研究,针对其在高维问题中容易陷入局部优解的缺陷,应用分形全局最优构建策略加以改进;针对IWO算法无法求解决策变量可变的优化问题,提出一种融合粒子群算法的多维IWO算法;为了进一步提高多维IWO算法的收敛性,采用分形全局最优构建策略和向性生长策略对多维IWO算法加以修正。最后,将改进的多维IWO算法应用于非线性函数优化问题以及图像分割问题。实验结果表明,在非线性函数优化问题中,改进后的IWO算法能更快的收敛至全局最优解;在无监督图像分割问题中,改进后的多维IWO算法比多维粒子群算法的分割效果更好。