本文对经典PSO算法以及在此基础之上的改进算法进行详细分析后，提出了两种改进方案：基于粒子速度反馈信息的混合粒子群算法(Hybrid Particle Swarm Optimization Based 0n Swarm Velocity,VHPSO)和基于小生境的量子粒子群算法(Quantum Particle Swarm Optimization Based on Niche，NQPSO)。经过实验验证，在高于30维问题中，VHPSO和NQPSO无论是寻优的效率还是精度上都表现出了良好的性能，但在低维优化问题中，VHPSO较NQPSO有更好的寻优性能。 在对PSO算法提出改进方案后，以组分油调合为成品汽油过程为研究对象，获得了该过程汽油调合辛烷值(RON)的预测规则，并建立了整个汽油调合过程的静态优化模型。鉴于该模型为低维优化问题，故将改进的VHPSO算法应用到调合辛烷值混合规则的参数优化辨识和汽油调合过程NLP问题中，并取得了良好的效果，再次验证了算法的优化性能。 最后，提出了基于改进PSO算法的前馈神经网络训练方案。在该方案中，一改传统的优化网路结构的方法，提出了基于SRC统计准则的适应度评价体系，并且结合误差反向传播计算的方式，提出基于改进粒子群算法的前馈神经网络算法(VHPSO-MFNN)。通过实验测试验证，该算法基本上能够得到一个合适的网络结构，综合了网络的训练和泛化能力。之后，将VHPSO-MFNN网络应用到了汽油调合RON值的软测量建模中，并取得了满意的结果。