粒子群优化算法(Particle Swarm Optimization, PSO)是一种用于寻优的群智能算法。具有收敛速度快,效率高,算法简单的优点。但是对于广泛存在于自适应滤波器、校正器、控制器等实时参数控制的递推估计问题,基本粒子群优化算法由于无法对动态数据对象进行实时处理而不能发挥其优势。本文基于粒子群寻优算法,受递推算法的启发,用递推的粒子群优化算法解决动态数据对象递推估计问题。递推的粒子群优化算法基于上一时刻的解和当前输入、输出观测数据,根据简单的递推公式计算出新解。通过不断的递推计算直到得到满意的解。该算法具有递推算法便于对动态数据对象进行实时处理的特点,同时继承了粒子群优化算法收敛速度快、对非平稳环境自适应能力强的优点。并且递推粒子群优化算法也可以对时变参数进行实时估计。本文通过白适应FIR滤波器最优抽头权系数寻优问题的仿真实验,对递推粒子群优化算法和递推最小二乘算法的性能进行对比,验证了递推粒子群优化算法的优势。同时将其应用在径向基函数网络模拟系统的参数寻优中,通过仿真实验验证了递推粒子群优化算法的可行性。