随着全社会的发展,目前化石燃料依然是满足全球能源需求的主要能量来源。但由于化石燃料的有限供应和污染性质,使得太阳能和风能等可替代能源因其免费和无污染而越来越受到人们的欢迎,在这其中太阳能以其储量丰富、不受地域限制等特殊优势而被人们广泛关注并开发。但在实际应用中,光电转化效率一直是不可避免的重要缺陷之一,而光伏发电系统的最大功率点跟踪（Maximum Power Point Tracking,MPPT）技术成为了提升光电转化效率的有效方法。基于此,本文将最大功率点跟踪与光伏电池仿真建模作为研究重点,利用人工神经网络的适应度高与拟合能力强的特点,更好地实现光伏系统的电气特性与最大功率点跟踪的控制。本文主要的研究工作如下:首先提出基于改进粒子群优化的神经网络光伏MPPT算法,通过对粒子群算法中的惯性权重值进行非线性动态优化,并采用该改进后的粒子群算法优化神经网络的连接权值,使改进后的神经网络算法MPPT有效避免陷入局部最优的情况。仿真结果表明,在相同的实验设置下对比已有的传统MPPT和人工智能MPPT方法,所提出的控制方法增加了最大功率点的跟踪精度,使全局跟踪速度更快,提升了跟踪控制的稳定性。其次,面对实际光伏阵列连接下遇到的接受光照面积突变所引起的功率损失严重等问题,通过对光伏电池中旁路二极管特性的研究,提出桥型连接与交叉型连接方式,并基于实际模块连接模型,对神经网络算法中的输入进行结构改进。通过仿真建模,对输出参数进行相应数据指标的比较。结果表明,设置相同条件实验,改进后的神经网络在遇到复杂局部遮阴情况,在交叉连接模式下相比于传统的串行连接模式其输出效率提高50%以上。为验证上述理论在实际中的可行性,自主设计了光伏MPPT控制器。通过硬件电路搭建与软件设计,与非光伏MPPT控制方式下的输出功率进行对比,结果显示所设计光伏MPPT控制器可以输出更高的功率值,对比非MPPT控制方式其输出效率提升25%以上,有效提高了光伏电池光电转化效率,验证了本文所设计光伏MPPT控制器的实用性与算法的可行性。综上所述,本文所提出改进神经网络算法与所设计控制器实现了在不同环境条件下跟踪最大功率的优越性,在光伏领域提升光电转化效率方面具有重要意义。