人工神经网络在一定程度上受到生物学的启发，是自然界生物神经网络的一种近似和模拟。其主要从两个方面进行模拟：一种从结构和实现机制方面进行模拟，即人工神经网络结构模拟生物神经网络的基本网状结构；另一种从功能方面进行模拟，即使得人工神经网络具有生物神经网络的某些特定功能，如学习、控制、识别等。人工神经网络广泛得应用于模式识别、信号处理、数据预测等领域，并在这些领域取得了较大的成果。　　 随着嵌入式系统的快速发展，使得个人手持设备、智能家电、汽车智能设备、互联网移动设施等嵌入式系统平台在人类生活中扮演着越来越重要的角色。这些嵌入式系统平台上的主要智能应用包括：语音识别、指纹识别、脸部识别、温控系统、路由选择系统等复杂应用。而人工神经网络的学习能力、泛化能力、分类识别能力在这些智能应用方面有着天然的优势，具有精准、快速、泛化等特点，是传统策略方法所不具备的。因此，把人工神经网络应用在这些嵌入式系统上具有极大应用价值和前景。然而传统的人工神经网络是采用浮点数权值和非线性连续可导的激励函数来进行大规模的浮点数运算，使之在PC机上运行满足各种应用需求。由于嵌入式控制系统对存储容量及其软件、硬件资源要求精简，并且实时性要求高，把传统人工神经网络直接应用在嵌入式系统上不满足嵌入式系统软硬件精简及实时性强的要求。因此本文的主要研究目的之一是提出一种适合嵌入式系统应用的新型人工神经网络-整型权值神经网络，满足嵌入式系统实时性强、硬件软件资源精简的要求。　　 对整型权值神经网络训练算法的研究将是本文另外一个研究重点。为此在研究传统BP反馈训练算法的基础上，指出基于梯度信息的反馈算法对整型权值神经网络训练的缺点和不足。因此，如何快速有效得训练整型权值神经网络将是此类神经网络的难点所在。本文提出利用动态离散粒子群优化算法在离散域空间的寻优能力来训练整型权值神经网络，从而避免基于梯度信息训练算法的缺点，能很好得优化整型权值神经网络的训练。　　 粒子群优化算法是基于对鸟群觅食行为的研究，充分利用群体间社会信息共享及自身经验为导向的启发式搜索算法。该算法具有较强的优越性已被用于函数优化问题、约束优化问题、最大最小问题及其多目标优化问题等典型优化问题的求解之中，并且已经在计算机、机器人、工业控制等领域得到了应用，显示了粒子群优化算法的广泛应用前景。本文在基本粒子群优化算法的基础上提出动态粒子群优化算法用于整型权值神经网络的训练，并详细阐述该算法的优化机理及其实现步骤。之后，将这种理论应用到智能汽车的道路识别中，同时利用Matlab对其进行训练和仿真，并且取得了较好的识别效果。最后，将其在几种不同的硬件平台进行性能测试，实验数据表明，整型权值神经网络不仅识别效果好同时其运行速度快，具有优越的实时性。