三相异步电动机稳态参数传统上是通过直流、空载和堵转试验确定的，这种传统的获取电机稳态参数的方法存在试验项目较多、误差大、需要可调压电源、对试验设备要求高、损伤试验电机等一些缺点。本文采用智能优化算法——粒子群优化算法（Particle Swarm Optimization，PSO）和参数识别方法来获得三相异步电机稳态参数。 PSO算法是近年来发展起来的一门新的优化技术。PSO算法在解决许多非线性优化问题时表现出了突出优点，它不需要对目标函数求导就能较大概率求得问题的全局最优解，也不需要初始值接近真值，同时它也不会在迭代运算的过程中出现复杂的数值问题。论文阐述了PSO算法的算法模型并且从理论上分析了该算法的收敛性质，然后用遗传算法和克隆选择算法与其比较并用测试函数验证了其用于求解一类复杂优化问题的有效性。 本文针对基本粒子群算法的一些缺点，对基本粒子群算法进行改进。改进的粒子群算法把一个粒子群分为三个子粒子群，每个子粒子群采用相互不同的搜索策略，而且子粒子群在搜索的同时共享搜索信息，使算法以最大的可能跳出局部极值点而搜索到全局极值点。通过MATLAB仿真工具，应用基本粒子群算法、标准遗传算法和改进粒子群算法仿真识别了一台三相异步电动机，仿真结果说明改进粒子群算法较大的提高了三相异步电动机稳态参数识别的精度和稳定性。 最后，本文应用C++Builder工具完成基于粒子群算法的三相异步电动机参数识别软件的开发，并利用该软件识别一台三相异步电动机，与传统参数测试方法所获得的电机参数进行比较，验证了该设计参数识别方法的可行性和有效性。