焦李成教授带领学术团队，围绕海量、高维、非结构化信息处理中的学习与优化问题持续开展了20余年的研究工作。

针对智能信息处理领域基础理论相对薄弱、理论体系有待完善、应用瓶颈问题有待突破的现状，焦李成教授带领学术团队在国家自然科学基金重点项目、国家“863”计划及国家“973”子项等资助下，对基于免疫协同进化和子波神经计算的智能学习与优化理论及方法进行了深入研究。

研究团队从建立高效、鲁棒的神经网络模型入手，进一步设计了鲁棒、快速的学习方法，并建立了高效、鲁棒的优化方法。取得了一批原创性的、填补国际空白的学术成果：

（1）面向高维、非结构化数据的回归逼近对高效、鲁棒的神经网络模型的迫切需求，建立了神经网络的非线性动力学模型和连接稳定性判据，解决了神经网络通用稳定性判别难题；提出了多子波神经网络模型，获得了良好的相容性和逼近阶，缓解了传统神经网络规模随输入模式维数的增长呈指数增长的瓶颈问题，较好地解决了子波函数高维奇异性检测与逼近能力弱的问题。为处理高维、非结构化大数据提供了有效的解决方案。

（2）面向相对“小样本”和海量大规模数据学习对鲁棒、快速学习方法的需求，构造了满足Mercer条件的尺度核和父子波正交投影核，提出了基于尺度核和父子波正交投影核的支撑向量机，获得了良好的逼近性能和推广能力；把Mercer核推广到经验映射函数，建立了隐空间支撑向量机和隐空间主分量分析模型，缓解了核函数方法必须受Mercer条件限制的瓶颈难题；为缓解高斯过程计算复杂度缺陷，提出了快速稀疏逼近最小二乘支撑向量机，对大规模、不稀疏的问题，显著减少了优化尺度并提高了解的稀疏性。为处理相对“小样本”的大数据提供了快速的学习方法与稀疏的解决方案。

（3）面向大规模、多目标NP-Hard优化对高效、鲁棒优化方法的迫切需求，构造了免疫协同进化计算理论框架，建立了个体协同与竞争的智能体网络信息交互模型，有效改善了进化算法中遗传操作的盲目性和早熟问题，缓解了进化计算解决大规模问题时收敛速度慢的难题；进一步建立了协同认知免疫动力学计算框架，提出了基于克隆选择的班德文学习和拉马克学习两类个体协同学习模型，实现了对十万维大规模NP-hard优化问题的高效求解，为解决实际工程中的大规模优化问题提供了高效的方法。

建立的免疫协同进化和子波神经计算理论模型对数值优化问题、欺骗问题、组合优化问题、约束满足问题等基准测试问题的求解结果，优于国内外文献报道的结果。在千万级海量数据分类、万维以上大规模优化、超大规模集成电路布图等问题上取得了国内外未见报导的成果，并成功应用于复杂图像分类和目标识别以及网络数据分析等问题。

研究成果产生了广泛的国际学术影响，在主流期刊发表SCI检索论文84篇，出版专著4部，主要论著SCI他引800余次，他引总次数为6000余次，得到了多位院士和IEEEFellow在内的国内外学者的积极评价，被评价为具有国际领先水平的研究成果，获国家发明专利授权10项，获省部级科学技术奖一等奖3项，促进了我国智能信息处理领域的研究发展。