近年来，公路运输业在各国都得到了快速发展，给人们带来方便的同时也带来了很多压力，如车辆超载导致公路寿命缩短。随着车辆的日益增多，使得交通运输的管理和车辆检测成为社会的一个重要问题。　　在我国运输物资主要依靠公路，因而造成我国车辆超载现象十分严重，因此为了减少车辆超载现象的发生，需要严格检测车辆的重量。为了快速并高效检测车辆的重量，动态称重的研究受到越来越多的关注。目前，车辆动态称重系统的硬件设计已日趋完善，只能通过软件系统的设计来提高称重精度。软件系统数据处理中误差反向传播(BP)算法较为普遍，但是基于梯度下降的BP算法存在诸多缺陷，如易陷入局部极小值和收敛速度慢等，从而影响动态称重最后测量的精度。　　为了解决BP算法存在的问题，本文在神经网络的基础上引入具有全局优化思想的粒子群优化(PSO)算法，建立PSO—BP神经网络模型来优化网络。将神经网络中需要调整的权值和阈值与粒子群算法中的粒子建立起映射关系，通过粒子之间的配合和竞争来完成网络训练。仿真结果表明，基于PSO的神经网络学习方法收敛速度快，预测精度高。不过该动态称重系统仍有些方面需要改进。