在人类社会进入网络时代后,随着信息科技的持续发展,各项生产活动中产生和采集到的数据量持续增加,促使机器学习与数据挖掘研究领域产生全新的变革。群智能优化算法是演化计算领域的一个重要研究方向。近年来,有许多优秀的群智能优化算法涌现。其中,正余弦优化算法（Sine Cosine Algorithm,SCA）、哈里斯老鹰优化算法（Harris Hawks Optimization,HHO）以及樽海鞘优化算法（Salp Swarm Algorithm,SSA）,均具有结构简单、性能高效的特点,在优化问题领域被广泛运用。但它们的原始算法在处理复杂优化问题时,都存在容易陷入局部最优、收敛过慢等问题,存在改进的空间。本论文的研究重心是,改进这三类群智能优化算法,并利用其优化性能处理医学数据集的特征选择应用。区分特征的相关性的强弱,去除无用特征,提高原始数据集质量,是机器学习与数据挖掘研究领域的一个重点。特征选择具体的操作是,利用既定的优化算法寻找最佳特征的集合。主要目的是寻找与预测结果相关性最强的特征集合。通过这种方式,能够提高处理数据集的效率,加快机器学习模型的训练,最后提高整个组合模型的分类能力。在本论文中,使用改进的基于多种群机制的群智能优化算法解决医学数据集的特征选择问题,为医学诊断提供实际的应用帮助。本论文通过引入各种高效搜索机制,利用多种群机制重新设计种群结构,改善种群多样性,改进了樽海鞘优化算法、正余弦优化算法、哈里斯老鹰优化算法等原始算法。之后为改进的算法制定了相关的特征选择方案。最后与具体的分类器算法相组合,在医学疾病诊断领域进行了应用。本论文的主要研究重点如下:（1）为解决原始基础优化算法收敛慢、无法跳出局部最优的弱点,本文在原始正余弦优化算法、哈里斯老鹰优化算法、樽海鞘优化算法的基础上,提出了三种基于多种群机制的改进的群智能优化算法。多种群机制的引入应用,能够在算法处理优化问题的迭代过程中,有效地保护算法种群的多样性。除此之外,本论文还将其他多种有效的算法改进机制加入到改进的优化算法中,提升了局部搜索和全局搜索的能力。（2）本文第二个研究重点,在于测试改进过后的群智能优化算法的性能。在这一方面,本研究用不同的基准函数测试集对改进后的算法进行性能测试,并与其它的优秀元启发式算法进行对比实验。实验结果证明,改进后的优化算法在基准函数测试集上表现良好,在全局搜索和局部搜索之间取得了很好的平衡。可以推广应用到各类优化领域解决优化问题。（3）本论文第三块重要的研究内容在于,将已经得到的多种群改进群智能算法用于医学诊断的特征选择问题。改进后的算法与具体分类器算法组合,在具体的医学数据集上进行特征选择的实验,以期找出效果最优的特征子集和优化算法。不同的改进机制,都增强了各类算法在优化特征集合时的具体性能,最终得到代表具体特征集合选择的离散解。通过KNN（K Nearest Neighbors,KNN）分类器算法,利用选择的特征个数以及数据集中的分类错误率,对优化算法中种群中的每个解进行适应度值的评估。具体应用的数据集为15个取自UCI（University of California,Irvine）机器学习公开数据库的维度不一的医学数据集。实验结果发现了三类算法中最优的组合模型,也验证了本论文所提出的组合模型在提高分类精度以及筛选有效特征集合的应用上是高效的,并且在医学诊断的领域能够得到有效的应用。