人工神经网络以其良好的自学习、自组织和容错能力充分显示了在解决高度复杂非线性问题的巨大潜力。三层前馈网络作为应用最为广泛的一种人工神经网络，在工业控制、金融行业和优化计算等实际问题中得到了重要应用。　　 随着前馈网络应用研究的深入，前馈网络的学习能力和泛化能力作为两个重要标准引起了研究者的广泛讨论。前馈网络的泛化能力是在网络应用中体现出来，但是由网络训练决定。总体来说，神经网络泛化特性受网络结构复杂性、目标函数和训练算法的影响。具体来说：神经网络结构过大，容易出现过拟合问题，神经网络结构过小，处理复杂问题的能力又不足；而且，采用训练样本均方误差作为网络目标函数，网络很容易陷入局部极值，导致神经网络虽然具有良好的学习能力，但泛化能力不足；同时，神经网络性能的优越与否还取决于对网络的是否充分训练。　　 为了使神经网络拥有良好的学习能力和识别能力。本文采用粒子群算法同时优化网络结构和权值，使网络拥有合理的网络结构和网络性能。而且，采用目标函数动态正则化的方法，实现神经网络训练目标与获得理想的拟合目标相统一。同时，为了提高粒子群算法的寻优能力，本文根据粒子寻优性能动态调整粒子惯性权重的方法和加入动态协同的社会寻优机制，提高算法的寻优速度和精度。通过仿真实验验证了本文算法能够快速寻找到较优网络，提高了三层前馈网络的学习能力和泛化能力。