当前，在数字信号处理和电子应用技术领域，滤波器作为一种必不可少的组成部分，处于一个非常重要的位置，已广泛应用于通信、语音、图像、自动控制、雷达、军事、航空航天、医疗和家用电器等众多领域，并日益显示出其巨大的应用价值。在经典滤波器采用的电路中，若要同时满足多个技术指标或达到较高的精度，往往设计复杂、结构庞大、元件数量多，并且还可能达不到要求。随着利用计算机技术解决滤波器设计的不断深入，派生出了一个新的分支，即数字滤波器，同模拟滤波器相比，它具有精度高、灵活性好、便于大规模集成等突出优点。近二十年来，计算机技术的飞速发展为数字滤波器的设计和实现开辟了一条广阔的道路。但是，由于对信号处理要求的不断提高，现代滤波器设计所需要的计算也越来越复杂。因此借助于计算机辅助设计，对多种技术指标限制的滤波器进行逼近实现，就显得十分重要和有意义了。粒子群优化算法(Particle Swarm Optimization，PSO)是由Kennedy和Evberhart在1995年从鸟群、鱼群和人类社会行为规律的启发下提出的一种基于群智能(Swarm Intelligence)的演化计算技术。算法模拟鸟群飞行觅食的行为，通过鸟之间的集体协作使群体达到最优，与遗传算法类似，它也是基于群体迭代，但没有交叉和变异算子，是一种利用群体在解空间中追随最优粒子进行搜索的计算智能方法。PSO的优点在于收敛速度快、设置参数少，简单易实现，算法本身具有深刻的智能背景，既适合科学研究，又特别适合工程应用。因此，利用该优化算法，在一定优化准则下，可以使设计的滤波器性能达到最优解。仿真结果表明，基于粒子群算法的数字滤波器优化设计是一种十分有效的设计方法，可用于有限冲激响应(Finite Impulse Response，FIR)数字滤波器和无限冲激响应(Infinite Impulse Response，ⅡR)数字滤波器的优化设计中。本文主要研究了基于粒子群优化算法的数字滤波器的设计问题，对基本粒子群优化算法作了一些改进和讨论，并在给定指标的前提下，利用粒子群优化算法来设计FIR和ⅡR数字滤波器，取得了较好的设计效果。本文主要开展了以下几个方面的研究工作：(1)研究了数字滤波器设计的相关技术问题，重点分析了数字滤波器的优化设计方法。(2) PSO算法中的参数是影响算法性能和效率的关键之一，本文针对PSO算法参数的选取进行了细致的分析，给出了一些参数选取的指导性原则和一种改进后的基于惯性权重自适应调节粒子群优化算法(APSO)，以改进算法搜索能力和收敛精度的问题。(3)将PSO算法用于FIR和ⅡR数字滤波器的设计，并对计算机仿真结果进行了分析。(4)对研究成果进行了总结和展望。通过本文的研究可以看出，利用粒子群优化算法进行数字滤波器的设计，能够获得较好的效果。基于惯性权重自适应调节的粒子群优化算法不仅具有很强的全局搜索能力，而且在收敛精度和速度上也有明显的提高，同时算法也具有一定的普遍适用性，可以用来解决其它优化问题。