径向基神经网络(RBF)因其收敛速度快、结构简单、能够逼近任意非线性网络的特点,逐步在各个行业和领域的得到了广泛的应用。但是在现实的应用的过程中,传统的算法虽然能快速的构建网络,但是很难达到预期的效果,所以常常将该算法与优化算法相结合来构建网络,这种结合方式是目前神经网络研究的一个热点。本文使用粒子群算法对径向基神经网络与模型进行了优化。粒子群算法作为一种具有实现容易、算法运行收敛快、运行结果精度高等优点的并行算法,研究发现,这种算法在实际应用中具有其独特的优越性。同时PSO算法也存在缺点,如局部能力搜索能力差和早期收敛,在求解复杂问题时,如果没有搜索到全局最优,粒子可能会保持在某个位置停滞不前;并且在后期当粒子在极值点附近时,此时搜索速度变得缓慢,这将会导致粒子搜索能力变差。学者们提出许多的改进算法,使算法在性能及效率上都得到了较大的提高。然后要研究出精度更高、效率和性能更好的算法仍是研究者们重要的目标。本文首先介绍径向基神经网络算法,深入研究RBF算法的原理,参数的设置、流程,接着探讨粒子群算法,研究它的算法思想运行模式以及标准算法得到的更新公式,最后通过粒子群算法对RBF神经网络进行优化。在深入分析粒子群算法后,针对粒子群算法出现的过早收敛和搜索能力差等问题,提出了一种改进的粒子群算法,通过非线性调整惯性权重和引入平均极值因子,来提高算法的搜索精度和能力。提出一种优化的PSO-RBF神经网络算法,将径向基神经网络与粒子群算法相结合,建立基于PSO算法的径向基神经网络模型。本文将优化的PSO-RBF神经网络模型运用于水质评价中,水质评价是一个复杂的过程具有非线性、不确定性、时变等特点,针对评价过程中精度不高、鲁棒性等特点,利用PSO算法对RBF神经网络进行优化,提高神经网络的精度和收敛速度,进而提高水质评价的准确性,并与传统的算法进行比较,证明本文算法的优越性和可靠性。