人工神经网络是一种模拟人脑神经系统而建立的数学模型,它具有很强的容错性和自适应性,是人工智能发展中的重要方法。很多学者也对此进行了研究和分析,并提出采用群智能算法优化网络参数。但是众多的研究表明现在的算法仍然存在很大的提升空间,如何高效地建立神经网络模型并提升网络性能是人工智能研究中的重要内容。本文的主要研究内容和成果如下:（1）为解决粒子群优化算法中种群多样性和收敛性间的矛盾,提出了一种具有重组学习和混合变异的动态多种群粒子群优化算法（Dynamic Multi-population Particle Swarm Optimization Algorithm with Recombined Learning and Hybrid Mutation,DMPSORH）。该算法动态划分多种群并融入重构粒子作为引导因子,在增加种群多样性的同时保留优秀粒子的空间信息;在算法执行阶段对最优个体施加混合变异,利用时变概率实施反向学习策略或者邻域扰动操作,帮助粒子快速跳出局部困境,加强对附近区域内的精细搜索。并基于14个多类型标准测试函数,与其他的改进粒子群算法进行对比;同时也对变异方式及参数设置进行了仿真实验。（2）针对BP神经网络模型精度低、学习慢以及网络结构不易确定的缺点,提出了基于DMPSORH算法的自适应BP网络模型（DMPSORH-Self Adaption BP,DMPSORH-SABP）。首先,构造了神经网络隐层节点的初始化范围,通过节点的关联性和贡献度判断其学习能力,从而动态调整网络结构,消除冗余属性。然后,考虑到神经网络的初始参数过于随机化,会导致网络训练效率低,所以采用DMPSORH算法优化SABP网络的权值和阈值。（3）基于灰色关联分析从社会需求和铁路供给两个方面比较影响货运量的相关因素,选取关联性最强的多个指标。分别利用传统的线性回归方法、DMPSORH-SABP模型以及其他神经网络模型构建铁路货运量预测模型,并从多个角度评价模型的性能与预测效果。