粒子群优化算法(Particle Swarm Optimization，PSO)是一种基于群体智能的演化计算方法。同其它智能算法比较，PSO算法具有相关参数少，收敛速度快，且易于实现等特点。近年来，PSO算法越来越多的被作为一种解决复杂优化问题的方法，已成功应用于实际问题中目标函数优化、数据分析、人工神经网络、模式识别等理论和工程领域。但是，随着求解问题复杂度增加，现有的PSO算法易陷入局部极值、早熟收敛和计算速度慢等困境，因此对PSO算法改进策略的研究成为国内外研究的热点课题。　　 本文研究的内容主要分为以下三个部分:　　 首先，针对标准粒子群优化算法(Standard Particle Swarm Optimization，SPSO)对局部和全局最优位置搜索能力差的问题，提出了自适应变异粒子群算法(Adaptive Learning Mutation Particle Swarm Optimization,ALMPSO)，在进化过程中利用调整学习参数来协调粒子的全局与局部搜索能力的自适应粒子群(ALPSO)算法中引入基于健康度评定的变异触发的算法策略。通过加入变异策略，提高陷入局部极值的种群跳出局部收敛困境的能力，最终提高求得最优解的概率和效率。　　 其次，对于解决高维度大种群情况下的粒子群迭代计算速度过慢的问题，可以采用并行加速的方法。现代GPU已经演变为一种通用的并行处理器，它为实现PSO并行化提供了一条简捷的途径。基于GPU高速并行计算框架，本文提出了基于GPU加速的自适应变异粒子群优化算法(GPU-ALMPSO)，通过利用GPU并行加速能力，可以解决粒子群算法对高维度大种群的迭代求解过程中需要的计算量，提高了算法运行速度。实验结果表明，对于求解高维多峰的测试函数时，该算法具有更好的收敛精度和收敛速度，同时也证明了GPU并行计算是实现PSO并行化的有效方案。　　 最后，将自适应粒子群算法与支持向量机结合并应用到道路限速标志识别的领域，实现了一种自适应粒子群优化支持向量机对道路限速标志的识别算法，实验结果表明，提出的ALPSO-SVM道路标志限速方法在识别性上优于传统的SVM，在算法收敛性上优于SPSO-SVM。