用人工的方法来模仿甚至获得智能，长久以来这一直是人类最重要的梦想之一。20世纪中叶电子计算机的问世为建立和研究体现“智能”行为和特性的人工系统提供了有力的工具，并直接导致了人工智能(AI)学科的建立。 当前AI的研究一般分为两大学派，即基于符号运算和逻辑推理的传统AI，和以分布、并行、仿生计算为特征、强调自适应的联结论，后者在融合了多种仿生算法后逐渐成长为计算智能学科。相对于传统AI，计算智能更加接近生物智能，更加体现智能本质，具有一定的优越性，业已成为计算科学中最热门的领域之一。在当前信息时代的大背景下，计算智能在众多领域中得到了广泛应用，无疑将对国民经济和社会发展产生巨大的推动力，应当得到进一步的重视和大力发展。 在对计算智能学科的发展历程、主要内容、研究现状等各方面详细介绍的基础上，作者通过归纳，提出了该学科未来发展的两个主要方向——对生物学的重访和混合智能系统，并结合一些代表性研究对这两个方向进行了细致的分析。依据所提出的主要发展方向，本文在计算智能方面作了几项研究，并在一些问题和应用实例上初步取得了较为令人满意的结果，进一步印证了所提发展方向的合理性和可行性： <1>针对人工神经网络泛化能力差的问题，提出神经元激活函数类型优化这一改 善泛化能力的新思路，并使用遗传编程(GP)方法实现，构建了一个简单混合智能系统。将基于GP实现的神经元激活函数类型优化置于构造性设计框架之下，并辅以正则化方法，实现了多管齐下的泛化能力改善策略。最后通过仿真实验初步验证了所提出方法的可操作性和较好性能。 <2>借鉴混合智能系统思想，提出基于进化计算的经典时序模型拓展方法，以改善模型的部分固有缺陷。以最常见的GA为例提出了具体的模型拓展方法，并通过加工系统误差建模和磨损趋势建模两个应用实例验证了所提出方法的良好效果。此外，还对进一步的研究如模型结构和规模的自适应选择等作了展望。 <3>从生物学背景、算法内容和流程等多个角度介绍和分析了以全新生物学比喻为基础的克隆选择算法。这一算法受免疫学中的克隆选择学说启发，通过模仿生物免疫应答过程创立了新的复杂问题解决策略。通过两类不同的优化问题求解，初步验证了这一算法的性能，特别是其种群多样性保持能力，并与一些经典方法进行了比较。 论文的最后部分给出了全文的结论，并对计算智能学科的发展前景进行了展望。 本文是两项国家自然基金项目(59905011，60275041)的一部分。