粒子群优化算法是一种新颖的仿生、群智能优化算法。该算法原理简单、需调整的参数少、收敛速度快而且易于实现，因此近年来粒子群算法引起了广大学者的关注。然而到目前为止粒子群算法的在理论分析和实践应用方面尚未成熟，仍有大量的问题需进一步研究。本文针对粒子群算法易出现“早熟”陷入局部极小值问题对标准粒子群算法进行改进并将改进的粒子群算法应用于BP神经网络中。本文的主要工作如下：本文首先介绍了粒子群算法的国内外的研究现状与发展概况，较系统地分析了粒子群优化算法的基本理论，总结常见的改进的粒子群优化算法。其次介绍了Hooke-Jeeves模式搜索法的算法分析、基本流程及应用领域。针对标准粒子群优化算法存在“早熟”问题，易陷入局部极小值的缺点，本文对标准粒子群算法进行改进。首先将原始定义的初始种群划分为两个相同的子种群，采用基于适应度支配的思想分别将每个子种群划分为两个子集，Pareto子集和N_Pareto子集；然后将两个子群中的适应度较优的两个Pareto子集合为新种群。由于新种群的参数设置区别于标准粒子群算法的参数设置，新的粒子与标准种群中的粒子飞行轨迹不同，种群的探索范围扩大，从而使算法的全局搜索能力有所提高。为平衡粒子群算法的全局寻优能力和局部寻优能力，提高粒子群算法的求解精度和效率，本文在新种群寻优过程中引入具有强收敛能力Hooke-Jeeves搜索法，提出了IMPSO算法。并用IMPSO算法对标准基准测试函数进行实验，将得到的实验结果并与标准粒子群算法对基准函数的实验结果进行对比，仿真结果证明了该改进的粒子群算法的有效性。最后本文研究改进的粒子群算法在BP神经网络中的应用。首先介绍人工神经网络的原理及基于BP算法的多层前馈神经网络，其次用IMPSO算法训练BP神经网络并给出训练流程图。将IMPSO算法训练的BP神经网络分别应用于齿轮热处理中硬化层深的预测以及用于柴油机的缸盖与缸壁的故障诊断中，并将预测结果、诊断结果与BP神经网络、标准粒子群优化算法训练的BP神经网络的实验结果进行对比，实验结果证明了改进的粒子群算法训练BP网络具有更强的优化性能和学习能力。