近年来,随着进化计算研究热潮的兴起,人们逐渐将进化计算与人工神经网络相结合,利用各种进化方法去训练神经网络。由于进化算法具有较强的全局收敛能力和较强的鲁棒性、且不需要借助问题的特征信息,如导数等梯度信息。因此,将两者相结合,不仅能发挥神经网络的泛化映射能力,而且能够提高神经网络的收敛速度及学习能力。本文对智能算法进行了理论分析与方法改进,并研究了小波神经网络的原理及其网络结构,然后将二者结合,运用到实践当中,具体内容如下:1)首先对粒子群算法、量子粒子群算法的基本原理进行研究,为进一步的学习应用提供了理论基础。2)针对量子粒子群算法搜索后期多样性损失,不能有效逃离局部最优的问题,本文在量子粒子群算法搜索过程中采用边界变异和基于混沌搜索的量子粒子群算法。通过实验仿真表明,改进的量子粒子群算法的性能确实有所提升。3)在学习了有关小波神经网络的知识后,对小波神经网络的网络结构及小波基都有了进一步的认识,最终选择Legendre小波神经网络作为本文的建模网络结构。这是由于Legendre小波在区间[0,1)上具有分段表达式并且为多项式的特点,因而构造的Legendre小波神经网络有结构简单、收敛速度快等优点。4)将基于边界变异的量子粒子群算法、量子粒子群算法和粒子群算法分别用来训练Legendre小波神经网络,并将训练后建立的网络模型用于径流预测和异常检测。通过实验表明,边界变异的量子粒子群算法建立的Legendre小波神经网络模型,具有收敛精度高,速度快等特点,具有一定的实用价值。本文的研究结果表明,基于边界变异的量子粒子群算法无论是在收敛精度还是速度方面,都要比量子粒子群算法和标准粒子群算法要好些;当用它们训练Legendre小波神经网络,并应用到实例当中时,得到的实验结果也表明了类似的结果。