随着科学技术的不断发展，神经网络以其较强的学习能力、泛化能力和并行处理能力备受学术界的关注；模糊逻辑凭着较强的模拟人类大脑推理能力被广泛的应用在模式识别、故障诊断、股票预测等非线性系统中。不少科学家预测，将模糊逻辑和神经网络结合起来的模糊神经网络(Fuzzy NeuralNetwork, FNN)将会成为智能领域中的核心技术。遗传算法和基于梯度下降的BP算法是目前被广泛使用的方法，但是遗传算法需设置的参数较多，基于梯度下降的BP算法的收敛速度慢，且容易陷入局部极小值。本文使用的粒子群(Particle Swarm Optimization, PSO)算法能够很好地克服以上两种算法的缺点，已被广泛应用于函数优化、神经网络训练、模糊系统控制等领域。惯性权重递减的线性粒子群算法不能很好地反映非线性优化的搜索过程，而动态粒子群算法能够实现非线性搜索，但是却极易陷入局部最优。针对模糊神经网络权值训练的非线性和复杂过程的特点，以上常规粒子群算法不能达到较好的优化效果，因此必须对常规的粒子群算法进行改进。本文对PSO算法的改进包括两个方面：一是对粒子群速度更新公式的改进，将原公式中个体粒子的最优值替换为所有粒子最优值的平均值，使粒子在决策自己行为时借鉴其他粒子的经验；二是对惯性权重的计算方法进行改进，以此来提高粒子群算法的自适应性。实验结果证明了改进PSO算法在非线性搜索过程中的收敛速度比标准粒子群算法快，误差也更小。然后通过改进PSO算法优化模糊神经网络的参数，采用函数拟合的方法对比改进PSO算法的模糊神经网络与模糊神经网络的性能，证明了前者具有更好的学习能力和泛化能力。最后将改进PSO算法的模糊神经网络应用到水质评价中，并且与模糊神经网络的预测结果进行对比，结果表明改进PSO算法的模糊神经网络的误差更小，对于解决水质评价这类非线性问题具有更优的效果。