粒子群算法(PSO)是一种基于群体搜索策略的智能进化算法,其优点是简单、容易实现、代码量小,但是它易陷入局部极点,搜索精度不高。本文在保持基本PSO算法优点的前提下,从社会心理学和生物行为学的角度去考虑提高粒子群算法的探测和开发性能,提出了一种基于自学习机制的PSO算法,使粒子在更新自身的速度时通过学习迄今自身和整体情况而决定下一步飞行决策,它动态地增加了后代微粒群的多样性,减少了进化运算中的人为干预,提高系统的自适应性,并用测试函数验证该算法在提高其收敛速度和优化精度上的优越性。三轴测量系校正及配准技术在激光通信、导航定位、姿态测控等领域有着广泛应用,是空间测量的基本问题之一。目前的三轴测量系中不可避免地存在轴间正交误差、增益误差及零点漂移,而双三轴正交测量系之间因对应轴的不平行普遍存在失配现象,这都对高精度测量影响很大。通过提高制造工艺寻求解决这一问题的途径是不现实的,且由于这种影响的非线性特点和三维测量的要求,使得标定工作不易进行,对标定设备要求很高,加大工作量和科研成本。因此比较有效可行的方法是通过优化算法对三轴测量系进行校正和配准。针对三轴测量系校正问题,本文依据将测量系投影到理想正交系的思想,并简化理想正交系模型,通过建立矢量场测量系到理想正交系映射关系,建立误差参数模型；利用自学习机制的改进PSO算法求解最优影射参数,以离线方式同时修正测量轴轴间正交误差、轴间增益偏差以及零点漂移的方法,实现了测量系到理想正交系映射关系的参数辨识。而认为经过校正后的三轴测量系是理想的,且考虑到测量系在加工完成后,两测量系相应轴间的夹角不会变化,因此把配准算法研究重点放在不考虑实时性的双三轴测量系间的姿态偏差修正上,然后通过采用坐标转换原理进行配准误差建模,用改进PSO算法对误差进行估计和修正,实现双三轴正交测量系的配准标定。最后,计算机仿真结果表明该方法能够实现对三轴测量系的有效修正和配准,明显提高测量精度。