PID(Proportional-Integral-Derivative)控制，是通过比例作用以减少偏差，通过积分作用来消除静态偏差，通过微分作用来预测未来，而实现的一种反馈控制机制。因其原理清晰、结构简单、实现方便，被广泛应用于控制领域。PID控制的关键在于选择合适的参数，以适应不同的控制对象，但对于具有时变性、大滞后性的控制对象，控制效果往往不是很理想，也很难达到控制要求，其主要原因在于PID控制器的控制参数不具备在线自整定能力。BP神经网络算法是人工智能领域应用比较广泛的智能算法，是一种按误差反向传播算法训练的多层前馈网络，具有极强的学习能力和自适应能力。本文提出了一种改进的BP算法，并将这种改进的BP算法用在PID控制参数的选择中，以实现参数的在线整定与自适应。又由于BP算法的初始权值一般是随机选取的，很大程度上影响网络的稳定性，因此，本文又结合自适应遗传算法的寻优功能，采用一种基于自适应遗传算法优化BP神经网络权值的算法，来提高PID控制器的参数自整定和自适应能力。本文研究了BP神经网络的基本原理及结构，分析了BP算法的局限性，对基本的BP算法做了适当改进，又根据遗传算法的优化特性，训练较优的BP网络初始权值，并与PID控制应用相结合，实现PID控制器参数的在线整定，从而使PID控制器具有更好的自适应能力和较好的动态特性，并通过实例验证了该算法的有效性。