人工蜂群算法(Artificial Bee Colony Algorithm, ABC)是一种参数设置简单、收敛速度快、搜索精度高以及鲁棒性强的新型群智能算法,被广泛的应用在科学研究及工业生产的各个领域,均取得了较好的优化效果。但是ABC算法存在缺乏对全局信息认知,局部深入探索能力差以及在优化多极值函数时易陷入局部极值等缺点,这些缺点限制了ABC算法的求解精度和收敛速度。本文以ABC算法研究为核心,针对其存在的问题采用不同的策略进行了改进,改善了原算法的性能,并且将ABC算法运用在图像处理以及语音识别中,拓展了ABC算法的应用领域。本文的研究工作主要有以下几方面：首先,针对ABC算法的邻域搜索公式不能有效利用种群信息的问题,本文提出一种基于交叉操作的全局人工蜂群算法(Global Artificial Bee Colony Algorithm based on Crossover Operator, CGABC)。 CGABC算法将采蜜蜂邻域搜索产生的解与当前全局最优解进行交叉操作来提高算法的收敛速度,通过选取合理的交叉操作系数平衡算法的全局寻优能力和局部搜索能力,并且添加随机干扰项来增加种群多样性。通过对测试函数进行优化,验证了CGABC算法的性能优于ABC算法和GABC算法。然后,针对ABC算法中侦察蜂产生的解具有随机性,缺乏对全局信息的认知的问题,本文结合禁忌搜索算法(Tube Search Algorithm, TS)和Tent混沌映射,提出了一种基于自适应混沌禁忌搜索的人工蜂群算法(Artificial Bee Colony Algorithm based on Automatic Chaotic Tube Search, CTABC)。CTABC算法在侦察蜂阶段添加了禁忌表的机制,将搜索到的局部极值加入禁忌表中,可以避免重复搜索局部极值,提高算法效率,增强算法的全局优化能力：采用Tent混沌搜索构造局部极值的候选解集,侦察蜂根据禁忌策略从候选解中选择新蜜源,使停滞的解跳出局部极值继续进化,可加快算法的收敛速度,提高算法的局部深入搜索能力。通过优化测试函数验证了CTABC算法的性能,其收敛速度、求解精度和鲁棒性均优于ABC算法和TS算法。为了解决复杂图像难以精确检测出图像边缘的难题,本文将图像边缘检测转化为求目标函数多个局部极值点的数值优化问题,把CTABC算法用于图像边缘检测。CTABC算法中侦察蜂混沌禁忌搜索选择的新蜜源和原局部极值具有一定的相关性,使检测到的图像边缘连续性更好、更集中,同时也避免了对于局部极值点的重复搜索,能够在有限的循环次数内,寻找到更多的图像边缘点。实验证明,CTABC算法检测到的图像边缘连续性、准确性以及抗噪性均优于ABC算法以及经典图像边缘检测方法。最后,针对语音特征矢量量化中LBG算法过于依赖初始码书的缺陷,本文提出了一种混合LBG算法和改进ABC算法的码书设计方法,交替使用ABC算法和LBG算法优化码书,改善了码书的质量,减小了最优码书的总体失真量度。实验证明,基于ABC-LBG算法的孤立字语音识别系统识别正确率更高。