人工神经网络是一种具有自学习、自组织、自适应和非线性动态处理等特性的大规模分布式并行处理系统,在很多领域已有了成熟的应用。应用现代科学的新理论和新方法对神经网络进行研究是当前的一个研究热点。微粒群算法是一种基于群体智能理论的随机全局优化算法,其结构简单、易于实现、收敛速度快等优点使它一提出就备受人们关注,应用于很多应用研究及理论研究当中。本文利用微粒群算法对径向基神经网络与自组织映射神经网络两种网络模型进行了优化。径向基神经网络是一种三层前馈网络,与其他网络不同,它是一种非线性网络,因此它有很好的泛化能力及函数逼近能力。自组织映射神经网络具有拓扑保持和向量量化的特点,能将任意输入模式在输出层映射成一维或者二维的离散图形,它在模式识别方面有很好的应用。本文首先介绍了微粒群算法,深入研究了微粒群算法的原理、流程、参数设置以及标准微粒群算法更新公式,并最终选定利用标准微粒群算法对神经网络算法进行优化。第三章在深入分析了径向基神经网络的主要学习算法之后,利用微粒群算法对其用于函数逼近的一种算法进行改进,通过微粒群算法与径向基神经网络的算法交替执行以减少隐层神经元的数目,减少资源浪费。最后利用简单的逼近函数检测了新算法的可行性。本文第四章在深入分析了自组织映射神经网络的主要学习算法之后,针对其容易产生“死神经元”现象的问题,引入微粒群算法与之交替更新权值,从而避免“死神经元”的产生。本文最后将改进后的自组织映射神经网络应用到流形学习算法中进行了简单的实验分析。