智能算法是伴随着人们在生产生活中不断出现的传统优化算法难以解决的复杂的、高维的、非线性的问题而诞生的优化算法,其是受自然界中生物的社会行为或自然现象的启发而提出的。粒子群优化算法(PSO)是受鸟群的觅食行为启发而提出的一种智能算法,由于其具有参数少、易实现、在前期收敛速度较快等优点而被用来解决各种复杂的问题且具有很好的优化性能。然而,PSO算法存在在后期收敛速度较慢、易于陷入局部最优以及精度较低等不足。数字滤波器是数字信号处理系统中的重要组成部分,其在诸如图像处理、遥感、医疗系统等领域有着广泛的应用。数字滤波器根据其脉冲的长度分为有限长单位冲激响应数字滤波器(FIR)和无限长单位冲激响应数字滤波器(ⅡR)。FIR数字滤波器因其具有严格的线性相位、使滤波器稳定的任意幅度等优点,使其比[IR数字滤波器更易于实现,从而具有更加广泛的实际用途。然而,对于数字滤波器的设计,传统的设计方法存在不易精确的定位滤波器的边界频率、易于陷入局部最优、收敛速度慢、精度低等缺点。由于传统方法存在的这些不足,已经无法满足滤波器设计的需求。因此,智能算法被用来设计优化数字滤波器。为了克服PSO算法存在的不足,提高PSO算法的优化性能,本文通过引入三角函数因子、基于折射原理的反向学习策略、极值优化算法等来改善PSO算法的性能,分别提出三种PSO算法；同时,将基于反向学习的PSO算法、基于折射原理反向学习的PSO算法以及基于三角函数因子的PSO算法引入数字滤波器的设计中来改善数字滤波器的性能。具体研究内容如下：(1)针对PSO算法收敛速度慢、易陷入局部最优的不足,引入三角函数因子改善其优化性能,提出一种基于正弦三角函数因子的PSO算法(TFPSO)。该算法在PSO算法的位置中引入具有振荡性的正弦函数因子作为其系数参数,使粒子位置获得振荡性,使其更容易跳出局部最优,从而增加找到最优解的概率。大量实验结果表明,该算法参数少、易实现,且提高了算法的收敛精度和收敛速度。(2)对于PSO算法易陷入局部最优的缺陷,反向学习策略对其的改进取得了较好的效果。然而,反向学习策略需要结合其它策略来提高算法后期的全局搜索能力,且易陷入局部最优。对此,根据光的折射原理对反向学习策略的反向过程进行改进,提出反向学习的统一模型,并将该模型应用于改善PSO算法的性能,提出基于折射原理反向学习模型的PSO算法(refrPSO)。实验结果与理论分析表明,与其它PSO算法相比,该模型提高了种群的多样性,更有效地改善了所提算法的全局搜索能力,从而提高了算法的收敛速度以及精度。(3)PSO算法存在的主要问题是其在解决问题时容易陷入局部最优,也就是说,其局部搜索能力即开采能力较弱,导致收敛精度低,收敛速度慢。对此,引入具有很强的局部搜索能力的极值优化算法来提高PSO算法的局部搜索能力即开采能力。同时,利用反向学习策略进一步提高PSO算法的全局搜索能力即勘探能力。因此,结合极值优化算法和反向学习策略提出基于两者组合的自适应混合PSO算法(AHOPSO-CEO)。该算法利用两者的优点,用以平衡PSO算法的局部搜索能力和全局搜索能力。实验结果与分析表明,所设计的算法具有很高的收敛精度和很快的收敛速度,从而增强PSO算法的优化性能。(4)由于传统方法设计FIR数字滤波器存在一些不足,比如说,无法精确确定滤波器的边界频率、精度低以及易于陷入局部最优等等,将几种易于实现的PSO算法引入FIR数字滤波器的设计中。实验结果与分析表明,相比几种其它的设计滤波器方法,所设计的PSO算法有着很好的优化性能,进而增强了FIR数字滤波器的性能。