当下正处于人工智能(AI)在不断发展进步的时代,同时也是以大数据为基础的时代。但是在面临这样一个数据爆炸增长的大数据时代,如何合理的运用这些数据使得我们的日常生活变得便捷智能,这就需要不断提升的计算能力以及各种各样的性能强大的算法来支持。比如当下发展十分迅速的机器学习算法。但是,一个机器学习算法性能的好坏受到其自身的超参数的影响是很大的,因此,对于机器学习算法未来走向实用,设计出一个超参数自动调优算法是有着非常重要的意义。目前已经提出过很多的超参数自动调优的算法,比如基于不同代替函数的贝叶斯优化算法,其中包括基于Tree Parzen Estimator(TPE)的Hyperopt框架、基于随机森林Random Forest的SMAC框架以及还有基于高斯回归过程的贝叶斯优化算法等等。除此之外,还有很多通过各种进化算法的思想,比如模拟退火算法、基因遗传算法以及粒子群优化算法等等,实现对机器学习模型的超参数优化过程。但是上述算法都存在一定的缺点,本文针对进化调优算法和贝叶斯优化算法的缺点与不足分别提出了两种超参数自动调优算法。首先第一个创新点是提出了一种与贝叶斯优化同为数据驱动优化算法的基于MARS回归的超参数调优算法,贝叶斯优化算法基于高斯回归过程,除了会受到GP回归拟合过程中核函数的超参数的影响,另外算法的计算量也会随之明显增加。实验表明相较于贝叶斯优化算法,本文所提出算法的参数优化结果相较于贝叶斯优化算法相差无几,并且在时间效率上有明显的提高。其次本文的第二个创新点是,提出了一种基于量子遗传的超参数自动调优算法,该算法结合了随机搜索和进化算法两者的核心思想。实验表明,在针对多种传统机器学习模型的超参数调优问题上,该算法既解决了随机算法的不稳定性的问题,同时也解决了一般进化算法迭代缓慢收敛速度较低的问题,并取得了不错的实验结果。