细菌觅食优化算法是最近提出的一种基于微生物的仿生计算方法，其理论基础是生物学上人类肠道中的大肠杆菌在觅食过程中体现出来的智能行为。它是一种简单有效且所需经验少的随机全局优化算法，不但有良好的局部搜索能力，算法中的迁徙操作还可以避免算法陷入局部最优。该算法因群体并行性及易跳出局部最优等优点，已经成为仿生算法研究优化领域的一大热点。目前对该算法的研究从一定程度上改善了算法的性能，但无法做到求解精度和算法效率两者兼顾，尤其在优化高维函数时，该算法及改进算法都表现出性能不佳的情况。因此，需要进一步对该算法进行深入研究。本文提出了一种基于双菌群的细菌觅食优化算法。针对原算法在优化过程中存在步长一致、寻优速度慢的缺陷，本文改进了趋化步长，加快了算法的收敛速度；针对细菌觅食优化算法中复制操作引起的菌群多样性降低的问题，本文受遗传算法的启发，改进了复制操作，增加了菌群的多样性，提高了解的精度；受双种群遗传算法的启发，提出了双菌群优化机制，不同菌群之间进行学习，加快了算法的收敛速度，同时提高了解的精度。实验表明，改进后的算法提高了算法的收敛速度和解的精度。针对细菌觅食优化算法在优化高维复杂问题时，易陷入局部最优的情况，本文提出了一种自适应细菌觅食优化算法。改进算法将固定的趋化步长修改为非线性的趋化步长，并添加当前趋化周期内的最优细菌在方向上的指导，修改了翻转方向，加快了算法的收敛速度；针对在优化高维函数过程中出现的前进两步，倒退一步的问题，对每次趋化周期结束后的最优细菌进行维度自适应学习，避免了算法早熟；利用Tent混沌方法对符合迁徙条件的细菌进行位置初始化，加快了算法的收敛速度；最后对最优解进行维度自适应学习，提高了最优解的精度，实现了精度与速度的两者兼顾的目的。实验证明，该算法在解决高维函数问题时表现出了良好的性能。本文主要研究的是算法改进，尚未与实际应用相结合。在后续工作中，将进一步改善算法并应用于实际工程中求解优化问题。