温度控制是工业过程控制对象的重点和难点。目前，传统的PID控制方式占主导地位，但在被控对象无法建立准确模型的情况时，PID参数的整定不便仍是一个难点。神经网络技术是智能控制的主要分支之一，它能逼近任意非线性曲线，被广泛应用于工业中。但BP神经网络在应用时有一些固有的缺陷，而粒子群算法具有全局搜索特性。本文结合泰安磐然科技有限责任公司的项目，对基于粒子群优化（Particle SwarmOptimization，简称PSO）BP神经网络展开研究，论文的主要内容如下：首先，本文从智能温度控制系统设计思想出发，介绍了温度控制对象的非线性、多耦合、大延迟的特点，找到了难以控制的原因；分析了常用温度传感器热点偶和热电阻的工作原理、A/D采样电路、PWM波驱动固态继电器工作电路；对几种目前应用在温度控制领域的控制算法的特点进行了比较分析，为开发智能温度控制器垫定了理论基础。其次，分析了BP神经网络和PSO算法的优缺点，发现PSO算法是基于全局寻优的搜索算法，提出了基于PSO-BP的温度智能预测方法。该方法是采用PSO优化BP神经网络的算法，具有很好的泛化能力，既能很好的发挥BP神经网络的非线性特点，又克服了BP神经网络训练时间长、易陷入局部最优的缺点。以公司实验数据为依据，应用PSO优化BP神经网络的算法对电加热炉进行了预测，结果显示，优化后神经网络预测有效时间延长，预测精度提高。所以，本文应用PSO-BP算法来辨识整定PID参数，达到温度控制器自整定的目的。仿真结果表明，应用PSO-BP算法整定得到的PID参数，控制精度高，超调小，稳态误差小。最后，论述了智能温度控制系统的开发工作。按照公司要求的功能，应用嵌入式芯片ADuC7060和嵌入式操作系统μC/OS-II，设计出硬件并开发了软件，完成后，对产品进行了软硬件性能测试，运行于实际产品。通过实际运行测试，智能温度控制效果良好，系统稳定可靠，能适应大部分应用场合。