在软测量建模的方法中，一个最常见的非机理建模方式就是利用神经网络进行建模。而近年来兴起的粒子群算法(ParticleSwarmOptimization，PSO)目前已应用于神经网络的训练。本文对经典PSO算法以及在此基础之上的改进算法进行详细分析后，提出了两种改进方案：自适应的粒子群算法(Self-adaptScatterParticleSwarmOptimization,SCPSO)和基于量子理论的连续粒子群算法(QuantumContinuParticleSwarmOptimization,QCPSO)。经过实验验证，SCPSO和QCPSO均表现出了良好的性能，在低于30维的问题中，QCPSO无论是寻优的效率还是精度上都表现出了良好的性能；而在高维问题的优化中SCPSO则表现出了良好的性能。 在对PSO算法提出改进方案后，提出了基于改进的PSO算法的前馈神经网络训练方案。在该方案中，一改传统的优化网路结构的方法，提出了基于SRC统计准则的适应度评价体系，并且结合误差反向传播计算的方式，提出基于改进粒子群算法的前馈神经网络算法(PSO-MFNN)。通过实验测试验证，该算法基本上能够得到一个合适的网络结构，综合了网络的训练和泛化能力，可以满足工业过程中的实际需要。 最后，将PSO-MFNN算法应用到了工业过程的软测量建模中，首先是应用到精对苯二甲酸(PureTerephthalicAcid，PTA)生产工艺中的对羧基苯甲醛(4-Carboxybenzaldehyde，4-CBA)的浓度控制中，对4-CBA的含量实现软测量，以满足生产的需要。然后再将PSO-MFNN应用到聚酯工艺酯化部分的端羧基浓度软测量建模中来，都得到了满意的结果。