生物学的各个层面一直是开发新型计算模型和解决问题的灵感来源。传统的仿生算法(如遗传算法、粒子群算法和蚁群算法等)存在容易早熟、收敛速度慢等缺点。免疫系统因其具有强大的信息处理能力逐渐成为最受重视的领域之一,受到免疫系统启发而产生的免疫智能算法具有收敛速度快、不易陷入早熟等特点,在处理优化问题上展现了优良的性能。克隆选择算法是在生物免疫系统的启发下产生的一种新型智能化算法,它将问题的先验知识和生物免疫系统的自适应能力结合起来,在信息处理方面表现出较强的鲁棒性,在搜索过程中能很快的收敛到全局最优解。本文在研究克隆选择算法原理和模型基础上,对算法进行了改进,并用于解决多峰值函数优化和多输入多输出(MIMO)盲均衡问题。本文的主要工作如下:(1)阐述了多峰值函数优化问题的概念以及传统解决方法的不足,通过一组常用的优化测试函数对克隆选择算法、粒子群优化算法、遗传算法分别进行仿真测试,根据每个算法所获得的全局最优解的个数以及实际进化代数等数据的对比和总结,凸显了改进的克隆选择算法比其他两种算法更适合空间搜索和解决多峰值函数优化的问题。(2)提出了基于智能体系统的直接盲均衡算法,利用发送信号属于有限字符集的先验知识以及接收数据正交补投影,构造一个可直接盲检测发送信号的二次规划问题,进而转换成多峰值函数优化问题,并通过改进的克隆选择算法来解决这个问题,从而把所有用户信号都恢复出来,并将改进的克隆选择算法和粒子群算法以及传统的盲均衡算法进行仿真对比。仿真结果表明,改进的克隆选择算法的性能最好,并且能最大限度的搜索到目标函数极值点,保持多样性,全局搜索能力强,也验证了该算法的盲均衡能力和良好效果。