智能计算算法是受到大自然智慧启发而设计出的算法，近十几年取得了非常广泛的应用。粒子群算法作为智能计算算法中的典型代表，受到广大学者的关注，主要集中表现在粒子群算法的改进，及在不同应用领域性能的提升。由于数据优化问题不受专业性限制，便于研究成果的交流，已成为验证算法性能的首选测试方案；图像聚类问题是一类重要的应用问题，符合现阶段信息时代下实际的要求，适合测试不同算法性能，且可以应用到医疗和设计等领域。本文研究现有的粒子群算法，并提出改进策略，将其应用到数值优化问题与图像聚类问题，具体工作包括如下。第一，分析比较了目前常用的几种粒子群算法，为改进算法提供思路。分析了标准的粒子群算法及改进算法的原理、过程和结论，改进的算法包括：按比例随机初始化粒子群算法、基于个体极值中心点和全局极值点的粒子群算法、粒子群算法与差分进化相结合的混合算法、动态改变惯性权重的自适应粒子群算法、参考粒子与历史最优粒子距离相结合的粒子群算法、重构惯性权重函数粒子群优化算法、增加粒子释放和速度限制策略的粒子群算法。第二，提出基于适应值引导的粒子群算法，并将其用于求解数值优化问题。通过比较上述算法的设计思路，粒子群算法改进方式分为两种：基于粒子群产生过程的增加粒子群的多样性和动态改变权衡系数的值。在进化过程中通过增加粒子群多样性，避免算法由于粒子进入早熟，同时通过权衡系数调节算法的全局搜索与局部搜索能力，最终实现算法收敛。本文分析认为：交换信息的侯选粒子应与本粒子相距最近，且适应值高于本粒子的粒子，在此假设的基础上，提出了基于适应值引导的粒子群算法。在未增加控制参数，无人工干预的前提下，以全局最优解为探索方向的出发点，配合粒子全局最优解、粒子历史最好解、相邻粒子共同参与，以改变粒子的位置，增加了粒子多样性。通过非约束性函数与约束函数的数值优化问题证明各比较算法的优劣性。第三，改进模糊集粒子群算法，用于求解图像聚类问题。本文分析基于模糊集粒子群算法求解图像聚类问题的实现过程，并在此基础上，改进了粒子群算法：采用主分量分析方法降低底层特征用于特征选择过程；以图像的均值作为聚类的中心向量用于初始化过程；应用基于适应值引导的粒子群算法更新粒子群。本文通过二组实验对比，评估算法的可行性。