本文以机器学习的基本问题为研究背景，基于神经网络算法、神经网络集成学习算法、支持向量机算法及粒子群优化算法(Particle Swarm Optimization Algorithm，PSO)等软计算方法、混沌优化方法和同伦分析方法，对若干混合智能计算算法进行了研究。将提出的算法应用于解决电力电子装置故障诊断、机械设备故障诊断以及化工行业软测量建模等实际问题中。 研究主要成果如下： 1．针对PSO算法用于高维数、多局部极值点的复杂函数寻优时易陷入局部最优解现象，提出一种改进的带扰动项粒子群算法并进行收敛性分析。引入进化速度因子，当粒子进化速度低于一定值时在粒子速度更新方程中添加扰动项，使粒子逃离局部最优区而继续搜索。对几个复杂函数的寻优测试表明，改进算法寻优性能有显著提高。将本方法用于丙烯腈收率神经网络软测量建模，研究结果表明模型精度较高、泛化性能好。将改进的PSO算法用于神经网络故障诊断建模并设计了相应的在线故障监测系统。实验结果表明该系统具有诊断速度较快、故障识别率较高的特点。 2．为使PSO算法初始粒子均匀分布在解空间，分析了混沌运动的遍历性并根据粒子间欧式距离大小改进了PSO初始种群提取方法。提出了一种混沌粒子群混合优化算法：该算法将优化过程分成两阶段，两分群分别采用PSO算法和混沌优化算法同时进行，当PSO陷入局部最优点时混沌优化算法在局部最优点附近混沌搜索并将本分群适应值较好的粒子取代另一分群中相同数目的适应值较差粒子。对四个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度，全局搜索能力均优于常规PSO。将提出的改进算法成功用于乙烯收率软测量建模。 3．针对最小二乘支持向量机处理大规模样本软测量建模问题时出现模型结构复杂、失去支持向量稀疏性且正规化参数和核参数难以确定的情况，提出了一种改进的算法。利用样本间马氏距离进行样本相似程度分析，去除样本集中部分样本以简化模型结构并提高计算速度；此外应用改进的带扰动项粒子群算法优化模型参数以提高模型的拟合精度和泛化能力。将提出的改进算法用于丙烯腈收率软测量建模。 4．综合Levenberg—Marquardt(LM)优化方法与同伦方法提出了一种改进的非线性同伦LMBP算法，分析了不同类型的过渡函数对神经网络泛化性能的影响。用于神经网络训练，解决了现有BP算法收敛速度慢和局部极小值的问题，提高了神经网络的学习效率。结合工业过程实际要求，将改进的非线性同伦LMBP算法用于常压塔汽油干点的软测量建模，构建汽油干点软测量模型。为了进一步验证提出算法的有效性，实验时还引入标准BP算法和PSO算法与提出的算法进行比较，分析对比结果表明基于非线性同伦LM学习算法的软测量模型较其他算法模型具有更高的测量精度和更好的泛化性能。根据机械设备故障诊断的特点，将提出的改进非线性同伦LMBP算法用于建立神经网络故障诊断模型，设计了相应的故障诊断系统。研究结果表明基于此算法的故障诊断系统具有运算速度较快、诊断精度较高及稳定性能好等特点。为机械设备故障诊断提供了一种切实可行的新方法。 5．为提高神经网络集成中成员网络的精度、增加成员网络间的差异度，提出了一种改进的Bagging神经网络集成算法。通过分析初始样本集中样本间的欧式距离提取各子训练集，子训练集的元素在样本空间具有良好的遍历性和代表性；集成策略采用加权平均法，用粒子群优化算法求解成员网络的集成权重。几个典型回归分析型数据集的测试表明本算法有效地提高了训练样本质量，增强了集成泛化能力。最后将改进算法用于工业乙烯收率神经网络软测量建模，应用结果表明该软测量模型泛化性能较好，测量精度较高。