本文以石化丙烯腈生产工艺的丙烯腈收率的软测量问题为实际应用背景，对微粒群优化算法及其在软测量建模中的应用进行了研究。对于测量丙烯腈收率这样的复杂系统的神经网络预测模型，通常应用优化算法对神经网络的权值和阈值进行优化，常用的优化算法有遗传算法和微粒群优化算法。但是遗传算法在寻找最优权值和最优阀值是单一初始值以梯度下降模式进行，容易陷入局部极小值。而常规微粒群优化算法也存在搜索空间有限，容易陷入局部最优点的缺陷。本文提出了基于量子理论的微粒群优化算法，并将其运用到神经网络权值和阈值得优化问题中，取得了比较满意的结果。 论文主要工作是对微粒群优化算法(PSO)这一新兴优化算法进行研究，给出了PSO算法的算法流程，分析了算法参数的性能，定义了评价PSO算法性能的指标，强调了对于随机性优化算法应注重从概率统计的角度来评价其性能的观点。重点研究了惯性权值、加速系数、种群规模、最大允许迭代次数和最大速度等关键参数对算法性能的影响，并就如何选择合适的算法参数提出建议。同时，就PSO如何与神经网络相结合进行研究构成微粒群神经网络，并将微粒群神经网络应用于丙烯腈收率的软测量建模。同时，在分析PSO算法搜索方式缺陷的基础上，从改善算法群体搜索方式的角度对PSO算法进行改进，提出一类基于量子理论的微粒群优化算法QPSO。重点研究了QPSO的算法原理、算法方程、算法参数性能。并通过一系列测试函数对算法性能进行测试，并将基于量子理论的微粒群神经网络应用于丙烯腈收率的软测量建模。 实验结果表明，将PSO应用于丙烯腈收率的软测量建模，得到的模型具有较高的精度、良好的性能和很好的应用前景；PSO也可用于其他类型神经网络的训练，微粒群神经网络也可以应用于其他系统软测量建模。还将PSO与其他常用神经网络训练算法进行比较，并提出自己的见解。同时通过对QPSO的研究及其在软测量建模中的应用，说明QPSO算法具有良好的稳定性和收敛性，在解决常规微粒群优化算法的缺陷有很明显的优势，为其它方面的优化研究提供了一条新思路。