哈里斯鹰优化算法（Harris Hawks optimizer,HHO）是模仿自然界中哈里斯鹰捕食行为而提出的一种新的群智能优化方法。HHO具有结构直观,易于实现、全局优化性能较好等特点。但HHO的研究处于起步阶段,仍存在一些不足,如后期收敛速度慢、局部搜索能力弱等。本论文针对哈里斯鹰优化算法存在的一些不足进行分析改进,提出一些性能更优即增强型哈里斯鹰优化算法,其目的在于完善和拓宽哈里斯鹰优化算法的理论基础和应用范围,为求解复杂优化问题提供一种行之有效的新方法。本文的主要工作如下:（1）为了增强哈里斯鹰优化算法的全局搜索能力,以更好的均衡其全局和局部搜索能力,提高其收敛精度,引入邻域重心反向学习策略,提出一种基于邻域重心反向学习哈里斯鹰优化算法（NCOHHO）,通过引入邻域重心反向学习策略增强哈里斯鹰优化算法的全局搜索能力。将NCOHHO用于测试23个经典测试函数且与经典的启发式优化算法进行比较,实验结果表明NCOHHO在函数优化问题上性能更优。（2）前馈神经网络的训练目标是找到一组最优的权重和偏差值,达到网络的最小误差。将改进后的邻域重心反向学习哈里斯鹰优化算法用于训练前馈神经网络,相比于其他元启发式算法,NCOHHO算法探测范围广,开采能力强。（3）提出一种基于侧抑制的复杂背景下的小目标检测方法,将视觉中的侧抑制原理应用到图像预处理中,对图像进行背景抑制和目标增强,实现自适应预处理。将提出侧抑制哈里斯鹰优化算法LI-HHO应用到图像匹配问题。实验结果表明LI-HHO解决图像匹配问题相比与其他优化算法解决图像匹配问题效果更优,具有更好的鲁棒性。