随着海洋相关产业和相关领域工作的研究、发展和推进,海洋信息的处理变得十分重要,而关于海洋盐度的预测就是海洋信息处理的其中一个问题。海洋盐度的预测是一个时间序列预测问题,对于此类问题,使用基于神经网络的模型进行预测是近年来获得广泛的认可一种思路。本文通过使用优化后的PSO粒子群算法进行神经网络的超参数寻优,并利用优化后的BPSO-LSTM模型对海洋盐度数据进行预测,为海洋信息处理中关于盐度的预测提供了帮助。具体研究内容如下:首先,对神经网络的基础结构与工作方法进行了分析。通过神经元模型的深入研究,对循环神经网络以及LSTM神经网络、GRU神经网络的基本结构功能加以阐述,并介绍了与神经网络模型建立相关的优化计算理论与训练方法。其次,对粒子群算法进行了研究和改进,并在此基础之上提出了PSO算法与LSTM神经网络结合的思路。对粒子群算法的具体改进内容包括两个方面:将算法中位置参数更新的权重值由固定数值改为了随迭代时间自适应的更新方式;利用遗传算法的思想引入粒子变异能力。通过这两方面的改进提高了算法的收敛速率,使粒子群具有了跳出局部最优解进而走向全局最优解的能力,论文中选择了三个测试函数对经改进后的粒子群算法进行检验,结果证实了经优化后的粒子群算法的优越性。在此基础之上,本文提出了PSO算法与LSTM神经网络结合的思路,从而得到了构建BPSO-LSTM模型的方法。最后,进行了模型对实际问题的解析和检验。本文以中国海洋表面盐度数据集为例,对过去几年的实际观测数据加以实验分析和模型检验,并建立了三组对照实例与论文模型进行比较,最终论证了该模型切实可行并具有一定的优越性。