数据融合是许多传统学科和新兴工程领域相结合而形成的一个新的前沿学科,超越了在军事领域的应用,已经在许多领域中得到了广泛的应用。人工神经网络是计算智能和机器学习研究最活跃的分支之一,它是从人脑的生理结构出发,探讨人类智能活动的机理。基于神经网络数据融合是当前研究的热点问题,基于反向传播神经网络便是其中研究方向之一。虽然反向传播神经网络得到了广泛的应用,但它也存在不足,主要有训练时间较长,易陷入局部极小值,训练过程中学习新样本时有遗忘旧样本的趋势等。针对上述问题,本文探讨了将粒子群算法用于神经网络数据融合的网络训练,加快了网络的训练收敛速度和收敛精度,进而提高了训练速度和实际应用的精确度。PSO是近年来被广泛关注和研究的一种智能优化算法,该算法相对于遗传算法简单,而且容易实现,没有交叉和变异操作,需要调整的参数少,收敛速度快。针对基本PSO算法在多峰函数寻优时出现的“早熟”现象,本文提出一种引入进化梯度的种群小生境粒子群算法。该算法通过划分小生境保持粒子群的多样性,引入进化梯度以加快收敛速度,并增强粒子群优化算法跳出局部最优解的能力。将PSO用于神经网络的优化得到广泛的关注,本文将引入进化梯度的种群小生境粒子群算法引入到权值优化问题,实现了高维数权值空间的按维细致搜索,提高了收敛精度。通过五个基准测试函数的测试表明:引入进化梯度的种群小生境粒子群算法在多峰函数优化上比标准粒子群算法有很大的提高,在收敛速度和精度上也比种群小生境粒子群算法有所提高,是一种寻优能力、效率和可靠性更高的优化算法,其综合性能比标准粒子群算法有显著提高。