在工程科学中有很多实际应用问题都可以转化成最优化问题进行求解,粒子群优化算法不需要建立详细的数学模型,而是通过模拟鸟群觅食行为过程的一种智能算法,来实现复杂问题的优化解决方案。它结构简单、参数少、容易实现,收敛速度较快。但粒子群算法容易陷入早熟收敛而找不到最优解,存在收敛后期种群多样性较差的不足。因此深入研究粒子群算法的改进及其应用有很好的现实意义。本文主要研究工作如下:首先,介绍了粒子群的寻优过程、参数设置和几种常见的改进粒子群,分析粒子群的收敛原理;并且针对粒子群存在容易早熟收敛的问题,结合天牛须算法和简化粒子群算法,将陷入局部极值的粒子进行步长跳跃,跳出的粒子作为新的信息源使其他粒子重新学习,构建一种基于天牛须步长跳跃的改进粒子群算法,提高算法精度。其次,使用混沌策略初始化种群,结合蛙跳算法中的差异性分组,利用量子粒子群可以全局搜索的特点,构建一种基于蛙跳策略的混沌量子粒子群算法,算法加强了粒子间的信息交互,改善搜索后期种群多样性较差,易陷入局部极值的情况;为了进一步提高改进粒子群的收敛速度,又结合简化粒子群构建一种基于蛙跳策略的混沌简化粒子群算法;使用经典测试函数,利用MATLAB仿真软件对改进的粒子群进行仿真实验,证明改进算法可以进一步提高算法搜索精度和搜索性能。最后,利用改进的粒子群算法优化最大类间方差法,构建对图像的多阈值分割模型,选取四个测试图像进行多阈值分割仿真测试,通过数据和时间的对比得到最优算法模型,完成对图像的多阈值分割的优化;构建改进的粒子群算法优化神经网络的模型,优化神经网络的初始权值和阈值,增加网络的性能,最后将优化的模型应用于天气预测,验证了改进粒子群算法在实际应用中的寻优性能。