针对非线性系统辨识中定结构参数辨识局限性高和辨识率低的问题，将结构自适应引入辨识的优化，提出一种基于子系统的结构自适应滤波（SSAF）方法。该方法的模型由若干子系统级联而成，每一个子系统均为线性-非线性混合结构。子系统的线性部分是一个一阶或二阶可选的无限脉冲响应滤波器（IIR），非线性部分则是一个静态的非线性函数。初始化中，子系统的参数随机产生，生成的若干子系统按照设定的连接规则进行随机连接，而不含反馈的连接机制确保了非线性系统的有效性。采用一种自适应多精英引导的复合差分进化（AMECoDEs）算法用于自适应模型循环优化，直至找到最优的结构和参数，即全局最优。实验结果表明，SSAF方法在非线性测试函数以及真实数据集上的表现优异，辨识率高且收敛性好，与聚焦时滞递归神经网络（FTLRNN）相比，它所用参数的个数仅为FTLRNN的1/10，且适应值精度提高了7%，验证了所提方法的有效性。

针对复杂静态背景下具有多约束条件的机械臂路径规划问题，提出一种新的基于单目视觉的多种群粒子群算法。首先，使用图像差分算法消除背景，再利用轮廓包围法找出目标物体区域，然后使用模型位姿估计法求出目标物体位置。其次，提出一种多种群粒子群算法，根据目标物体位置演化出机械臂最优角度。该算法将精英种群与子种群组成多种群粒子群，使用预选择与交互机制使算法跳出局部最优。仿真结果表明，与实际坐标对比，使用背景消除法后求出的物体位置坐标误差较小。将多种群粒子群优化算法与现有的一流演化算法对比，结果表明对不同位置的物体，该算法获得的路径平均自适应度与均方误差（MSE）最小。