混凝土是指将水、水泥、矿粉、粉煤灰等结成整体的工程复合材料的统称,是影响建筑安全性的主要工程材料,被广泛用于建筑施工中的浇灌环节。混凝土的塌落度体现的是混凝土的和易性,包括混凝土的保水性、粘聚性、抗压性能,具体表现为混凝土在自然状态下塌陷下去的值。一旦混凝土的塌落度达不到指标就会影响其和易性,具体表现为太大会造成混凝土崩离,太小则流动性差不利于浇灌。进而会影响建筑的稳固性,造成巨大危害。目前工业上依旧是采取人工测量混凝土的塌落度,已经不能满足精准、可调、可预测的要求。本文在校企合作项目的支持下,基于目前工况中的实际需求和研究需要,提出融合人工智能方法提出一种快速、准确的塌落度预测算法模型。本文通过研究国内外混凝土塌落度的研究现状,了解了影响塌落度的几种最重要的因素。设计了一种基于改进的粒子群优化算法结合神经网络的预测模型,通过将物料的配比作为神经网络的输入来训练神经网络。论文主要提出两种改进的粒子群优化算法,并将两种粒子群优化算法结合神经网络得到两种预测模型。（1）通过对传统粒子群算法的粒子初始化方式进行改进,进一步改进粒子群初始化适应度评估函数。在传统粒子群适应度函数初始化的基础上通过再划分出小批量的粒子,分别计算出每个小批量粒子群的适应度函数,再使用min函数得到子种群的适应度函数。（2）由于改进的过程中引入k段划分,所以改进算法二在此基础上进一步研究,提出自调整k值的粒子群优化神经网络算法。这种自调整k值的粒子群优化算法与改进算法一的区别在于,一旦改进算法一的种群数量、粒子数目确定后k值就确定了。而改进算法二为通过结合粒子搜索能力,由于粒子的搜索能力会根据每代粒子的位置和个体最优的更新发生变化,所以k在每次迭代时都会随之做出改变从而达到自调整的目的。实验仿真结果表明:本文所提出的模型在公共数据集及混凝土塌落度的数据集上取得了很好的预测效果;提出的改进算法能够在混凝土塌落度数据集上比决策树算法、BP神经网络算法、支持向量机算法以及传统粒子群优化神经网络算法具有更高的预测精度。