本文对微粒群优化算法及其在工业软测量中的应用进行了较为系统地分析和研究。主要内容包括以下几方面： (1)详细介绍了微粒群优化算法的基本版本。对常用测试函数的优化试验表明，PSO算法有较好的优化表现；与SGA算法相比，基本PSO有着良好的优化性能，能在更少的迭代次数内生成更好的优化解，且相对于SGA来说，PSO陷入局部最优值的次数比较少；介绍了微粒群优化算法与人工神经网络的结合方式，以及微粒群优化算法的不足和目前的一些改进方法。 (2)将卡尔曼滤波方法和微粒群优化算法结合，研究了卡尔曼微粒群优化算法(KPSO)。分析了卡尔曼微粒群优化算法的基本原理、算法流程、参数设置，与基本PSO算法相比，KPSO有着良好的优化性能，能在更少的迭代次数内生成更好的优化解，但KPSO存在算法运行时间长的缺点。 (3)在对卡尔曼微粒群优化算法特性分析的基础上，研究了矢量微粒群优化算法(VPSO)。分析了矢量微粒群优化算法的基本原理、算法流程、参数设置；通过VPSO、KPSO与基本PSO在函数优化性能方面进行了比较，结果表明VPSO在优化性能上要优于KPSO和基本PSO，且VPSO也克服了KPSO算法运行时间长的缺点。 (4)分别将基于基本PSO、KPSO、VPSO算法构造的前向神经网络PSONN、KPSONN、VPSONN应用于石油生产过程中的软测量建模过程中。分别构建出基于PSONN的常压塔汽油干点软测量模型，基于KPSONN的延迟焦化装置分馏塔汽油干点软测量模型，基于VPSONN的丙烯腈收率软测量模型。仿真结果表明由上述三种微粒群优化算法构建的神经网络建立的软测量模型具有较好的预测精度，有一定的工业应用前景。