正常运行的发光二极管（Light Emitting Diode,LED）产品使用寿命长达数十万小时,传统的测试方法测试时间长,成本高昂。在LED退化过程中,可能会遇到各种极端条件,如高温、低温,振动和热冲击等情况,这种极端环境会加剧LED性能退化。如果能对LED寿命进行有效预测,可以保障生产生活的正常运行,节省工程实践的成本。本文提出了一种遗传蚁群混合算法优化的LED寿命预测模型,并能够克服单纯采用遗传和蚁群算法优化时个体多样性减少、易出现未成熟收敛的缺陷,提高了LED寿命预测的精度。首先,本文介绍了LED的结构原理及发光特性,引出影响LED失效的物理机制,得到四种LED的失效影响因素,选择期望寿命中的光通量、电学参数中的电流、热学参数中的温度、色学参数中的色坐标漂移变化量作为神经网络的输入量,并分别说明选择理由。并介绍了径向基函数（Radial Basis Function,RBF）和多层前馈（Back Propagation,BP）神经网络的相关概念,为后续的神经网络建模提供了理论依据。其次,针对RBF-BP寿命预测模型存在收敛速度慢、预测不精准等问题,引入仿生智能群算法中的遗传和蚁群算法,来分别对该寿命预测模型进行优化;利用RBF-BP网络来构建寿命预测模型,然后分别使用遗传算法（Genetic Algorithm,GA）和蚁群算法（Ant Colony Optimization,ACO）来优化该寿命预测模型并进行仿真验证。通过与RBF-BP和GA-RBF-BP两种模型进行对比,从平均相对误差、均方误差和拟合精度方面相比较,证明了构建的ACO-RBF-BP神经网络模型预测精度更高。最后,针对优化后的寿命预测模型存在局部最优、预测速度慢等问题,采用遗传-蚁群融合的智能算法（Genetic-Ant Colony Optimization Algorithm,GAACO）来优化该寿命预测模型,提出了GAACO-RBF-BP寿命预测模型。通过对比遗传和蚁群算法优化的两种寿命预测模型,验证了GAACO-RBF-BP的LED寿命预测模型具有预测速度快,输出稳定性好,预测精确度高的优点。