随着大数据时代的到来,以人工智能为代表的神经网络模型应用场景将不断增加,训练使用数据也不断丰富。但是高维度的训练数据也对网络的训练带来了困难,传统的反向传播算法及其变种中,核心梯度运算的时间随着数据集的维度增加而几何式增加。集合近几年被广泛应用的群智能算法,产生一种新的神经网络模型训练方式,对于降低训练神经网络的算法的时间复杂度,提高训练效率具有重要的意义。本文提出一种使用群智能算法训练人工神经网络模型的方案,并对训练的人工神经网络模型进行近一步的群智能算法改进。应用基于遗传算法、灰狼算法、鲸鱼算法等群智能算法训练多层感知器、长短记忆网络模型,并在实验中验证其可行性。针对智能优化算法在训练人工神经网络模型进行改进,验证改进策略的用户有效性。具体工作如下:（1）构建了以多层感知器节点权重、偏置组成的向量为群智能算法个体信息,以均方误差为目标函数的解空间,使用群智能算法在解空间内寻优的多层感知器训练方式。（2）改进训练使用的灰狼算法,针对灰狼算法在训练多层感知器时,解决其解空间发现和探索阶段不平衡问题,同时提升其局部检索能力。通过实验验证改进策略的有效性。（3）将群智能算法应用于训练处理时序数据集的长短记忆网络,首先将长短记忆网络的参数矩阵映射为向量,将这些向量组合为群智能算法个体信息,然后再以绝对平均误差为目标函数的解空间内寻优检验训练模型;在此基础上改进训练长短记忆网络的改进型群智能算法,检验改进策略的有效性。实验的结果分析表明,本文所提的两种基于智能算法的神经网络训练策略,在训练神经网络模型中具有一定的优越性,且能较好地提升训练的网络的整体性能。