小波神经网络是将人工神经网络与小波分析理论基础相结合共同建立的一种新型神经网络，它结合了人工神经网络与小波分析的优点。首先，时频局部化这一小波变换的重要特性被充分利用；其次，人工神经网络充分发挥自身的学习能力，进而将容错能力和比较强的逼近能力充分体现出来。但是人工神经网络与小波分析结合时会对小波神经网络自身的结构产生影响，导致在小波神经网络模型中易于出现陷入局部极小或不收敛等问题。文中首先对小波神经网络的学习算法和结构特性进行了研究。在研究算法的过程中，发现小波神经网络的传统训练算法有许多不足，为了改进传统算法，文中提出了量子行为粒子群算法(Quantum-behaved Particle SwarmAlgorithm)，并且简要分析了QPSO算法的基本原理与和基本流程；研究了QPSO算法的优势，将量子δ势阱模型作为QPSO算法的基本形式，设计出粒子位置的概率密度函数和波函数；又对QPSO算法的收敛性进行了研究。在判断QPSO算法的收敛性时， QPSO算法的基本进化方程将依照Monte Carlo方法推导出来；判断出粒子在基本进化方程中的收敛问后题，得出两种较好的搜索策略，从而进一步得出完整的算法流程。最后又对QPSO算法与PSO算法进行比较分析，得出量子行为粒子群算法的优点。其次，根据研究内容分析设计出性能良好的小波控制器。在QPSO算法中加入学习因子、进化速度和粒子聚集度等参数，并对QPSO算法的参数迭代更新加以完善，使控制参数增加，从而获得完善的小波神经网络训练结果，再利用量子行为粒子群算法优化小波神经网络控制器。最后，通过仿真对其性能进行研究。选取最常用的Morlet小波作为小波基函数，并将控制对象选为二级倒立摆，利用软件构建仿真模块。根据仿真实验和实物控制实验能够验证控制器有较强的稳定性和抗干扰能力。