现实世界中，非线性动态系统是普遍存在的。动态神经网络通过存储内部状态，使其具备映射动态特征的功能，从而使系统具有适应时变特性的能力，更适合于非线性动态系统的辩识。优化算法具有较强的全局收敛能力和较强的鲁棒性，且不依赖问题的特征信息。PSO算法就是其中一种简单、有效的算法。将神经网络与优化算法相结合，不仅能发挥神经网络的泛化映射能力，而且能够提高神经网络的收敛速度及学习能力。本文所做的工作主要如下:　　 介绍了神经网络和优化算法的发展历史及国内外的一些研究现状，并指出了一些常见的问题。　　 列举了几种典型的动态神经网络，介绍了它们的结构、学习方式、工作原理，并揭示了它们之间的内在联系。再基于它们本身所固有的一些特点，介绍了它们的一些常见的应用。　　 研究了三类改进PSO算法，并对每一类都提出了改进方案。第一类是的改进进化方程的PSO算法，以带惯性权重的PSO算法和带收缩因子PSO的算法为例，提出了将自适应的思想融入其中的改进方案:第二类是以借鉴遗传思想的PSO算法为代表的改进进化策略的PSO算法，提出了一种结合选择和变异的新方法；第三类是改进算法收敛性能的PSO算法，研究了其中比较典型的随机PSO算法和模拟退火PSO算法，提出一种改进随机PSO算法。改进算法和原算法都进行了仿真，并作了对比。　　 提出了一种基于改进PSO算法的动态神经网络，该网络使用了改进激励函数，并且改进激励函数中的参数也参与到了PSO算法的寻优过程中。完成该种网络的算法设计，并编写出相应的Matlab程序。将完成的神经网络用于一非线性动态系统的辨识中，调节各参数，使得辨识结果最佳，并且与一些传统的方法进行比较。