随着经济贸易的快速发展,贸易量的大幅增加给出入境货物抽检带来挑战,原先采取的人工均匀随机布控抽检耗费人力物力,且不能有效甄别出不合格产品。考虑到布控抽检所要求的更高速度、更高精准度,给出出入境货物风险评价系统以实现智能化抽检。作者提出基于相交基学习的重构型精英粒子群算法训练神经网络以优化出入境货物系统的风险评价精准度。作者以粒子群算法为研究对象,提出基于相交基学习的重构型精英集粒子群算法,作为核心训练神经网络,从而实现并且优化出入境货物系统中对出入境货物的风险评价、预测,以满足出入境货物系统中对出入境货物抽检的智能化需求。该文提出三种改进策略,包括：通过对生物种群中精英群体的数学仿生,给出粒子群算法关键参数个体学习、社会分享系数的动态调整策略；为克服算法因陷入局部最优而停滞的问题引入重构概念；通过引入相交基学习算法用于粒子群算法的初始化,以防止因随机初始化而导致的不稳定问题。该文选取了不同学习拓扑结构的三种改进粒子群算法,与所提出基于相交基学习的重构型精英集粒子群算法进行比对研究：包括其收敛速度、鲁棒性、稳定区域。最后对出入境货物风险问题及系统框架进行阐述并利用基于相交基学习的重构型精英集粒子群算法训练神经网络,与其他三种神经网络进行系统比对试验,证实其在出入境货物风险评价中的可行性及更优精准度。