量子粒子群算法在解决优化问题上表现出了巨大的优势,在国民经济、国防建设、社会发展的各个方面得到了广泛应用,成为近年来国内外研究的焦点之一。然而,该算法存在后期种群多样性下降、易陷入局部最优而导致早熟收敛的缺点。为进一步提高量子粒子群算法的性能,本文基于算法参数对算法性能影响的分析,提出了一种改进的量子粒子群算法——自适应参数调整量子粒子群算法,并将其应用于参数优化研究。在改进算法中,采用量子Hadamard门实现粒子位置变异,增加了种群的多样性；将惯性权重、自身因子和全局因子根据当前适应度进行自适应调整,提高了算法的全局优化能力。通过函数极值优化问题对该算法和传统算法进行测试,结果表明该算法在收敛速度和成功率等各方面都比较好,具有更好的全局优化能力和更高的运行效率。论文将该算法应用于RBF神经网络的参数优化和倒立摆正规化模糊神经网络控制器的参数优化,将优化参数组成一个多维向量,作为算法的粒子进行计算更新,以优化得到在解空间范围内全局优化的参数。通过非线性函数逼近和混沌时间序列预测实验验证了该算法优化得到的RBF神经网络性能优越,通过不同初始状态下倒立摆控制实验表明了该算法优化得到的控制器控制精度更高、控制速度更快,该算法具有较高的工程应用价值。