作为新型的一种群体智能算法，微粒群（PSO）算法以其计算简单易实现、收敛速度快、收敛性能好等优点受到了国内外学者的重视，并且被应用于函数优化、神经网络、数据挖掘、模糊系统控制等领域，具有良好的工程发展前景。本文主要对微粒群算法的改进以及在人工神经网络训练中的应用做了较深入的研究，主要内容包括：1．介绍了微粒群算法的基本原理、算法流程、社会行为分析以及两种进化模型，归纳了四种常见的改进型微粒群算法，并分析了微粒群算法的主要缺点。2．针对微粒群算法易陷入局部极值点这一缺点，提出了一种融合了和声搜索算法的改进型微粒群算法。和声搜索算法是一种新型的优化算法，具有良好的全局搜索性能。本文将微粒群算法中的微粒群作为和声搜索算法中的和声记忆库，粒子先按照和声搜索算法合成新的粒子，再通过比较适应度值取代原微粒群中的最差粒子，然后按照微粒群算法的进化公式更新粒子位置和速度。通过四个标准测试函数的测试，融合了和声搜索算法的改进型微粒群算法无论收敛速度还是收敛精度都有明显提高。3.将微粒群算法运用于人工神经网络训练，并将训练好的神经网络进行非线性函数拟合。通过Matlab仿真结果表明，融合了和声搜索算法的改进型微粒群算法对神经网络的优化效果要优于基本微粒群算法。在对神经网络训练的过程中，改进型微粒群算法粒子的收敛速度和鲁棒性比基本微粒群算法有明显的提高，但是收敛性略低于基本微粒群算法。