本文针对基本粒子群算法易陷入局部极小点，搜索效率不高等缺点，提出了基于双变异算子的混合粒子群优化算法(Hybrid Particle Swarm Optimization Algorithm Based onDual Mutation，DDPSO)。该算法通过引进双变异算子来控制算法进程，同时动态调节惯性权重。大概率的最差适应度变异对惰性粒子重新初始化，增加搜索空间，有利于算法的全局收敛。小概率的最优适应度变异加强最优解附近范围搜索，增加种群多样性，使算法有效跳出局部极值。通过大量的仿真实验，结果表明，DDPSO算法确保了全局和局部搜索性能的动态平衡，提高了算法的收敛速度、精度以及稳定性。　　 本文通过DDPSO算法训练BP神经网络的结构和参数，提出了基于DDPSO算法的BP神经网络算法(DDPSO-BPNN)。通过仿真实验测试验证，DDPSO-BPNN基本上能够找到一个合适的网络结构，提高了网络的泛化能力，可以满足工业生产中的实际需要。　　 最后，将DDPSO-BPNN算法应用到工业过程软测量建模中。先后建立了丙烯精馏塔塔釜丙烯浓度软测量模型和塔顶丙烷浓度软测量模型。在实际运用中，DDPSO-BPNN表现出了较好的特性，降低了网络的复杂度，防止了过拟和现象，训练精度和预测精度均有提高。