神经网络和智能优化算法的组合算法是智能信息处理的主要工具，在空气质量预测、经济预测、声纳、传感器、雷达、通信等领域，很多智能优化算法和神经网络的组合模型及改进模型被提出。神经网络研究主要包括网络模型的拓扑结构、参数选取等。粒子群算法的研究主要包括种群拓扑结构、惯性权重选取、PSO多样性等。针对智能信息处理应用中，径向基神经网络的模型机制以及粒子群智能算法的研究基础，本文提出了不同的径向基神经网络和粒子群算法的结合模型。为了更好地平衡粒子群的全局开发能力和局部探测能力，指数下降惯性权重PSO算法被提出。在迭代早期，惯性权重以较快的速度下降，使粒子群较快搜索到可行解区域；在迭代后期，惯性权重以较慢的速度下降，使得粒子群在可行解区域里微调搜索到全局最优解。将EDIW-PSO算法与RBF神经网络结合，建立了EDIW-PS-RBF神经网络模型，优化了网络参数和模型。通过空气质量预测实验与其他三种惯性权重策略PSO算法结合的RBF神经网络模型进行了比较，证明了采用指数下降惯性权重策略PSO算法训练RBF神经网络比其他算法更有效，预测精度更高。为了泛化径向基函数的分布形状，扩展标准Gauss函数形状参数的选取，径向基函数采用广义高斯函数，构建GRBF神经网络。GRBF神经网络中的参数除了中心、宽度和连接权值外，还需要调节径向基函数的形状参数。将EDIW-PSO算法与GRBF神经网络结合，优化了隐含层各个神经元的参数。同时，将AdaBoost算法的集成学习能力用于GRBF神经网络的连接权值选取，将各个隐含层神经元作为AdaBoost算法的一个弱预测器，将整个GRBF神经网络作为一个强预测器。建立了EDIW-PSO-AdaBoost-GRBF神经网络模型，通过二维非线性函数逼近和上证指数时间序列预测验证了模型的有效性，具有较高的精度。矢量水听器阵列对水下目标的信息探测和DOA估计成为海洋探测以及海上军事的一个重要研究方向。一方面，将EDIW-PSO-GRNN神经网络模型和EDIW-PSO-AdaBoost-GRBF神经网络模型代替原来的MUSIC算法应用于MEMS矢量水听器阵列的DOA估计。首先将MUSIC算法实值化，减小了MUSIC算法在DOA估计中的计算量。另一方面，利用EDIW-PSO算法的强大搜索能力优化实值MUSIC算法，提高了MUSIC算法在DOA估计中的精度。在神经网络模型进行DOA估计应用中，将实值化后的协方差矩阵C的第一行作为神经网络的输入，将声源入射角度作为神经网络的输出。在神经网络训练阶段，分别取不同的入射角度，通过矢量阵列模型输入与输出的映射关系得到不同的实值化协方差矩阵，产生一组训练样本集，将矢量阵列接受数据的实值化协方差矩阵的第一行作为测试样本。训练神经网络，然后再对测试样本进行DOA估计。通过单声源仿真实验、多声源仿真实验和一组消声水池实验对我们提出的三种算法与原来的MUSIC算法进行比较，验证了我们提出的EDIW-PSO算法提高了MUSIC算法的性能，也验证了两种神经网络模型在MEMS矢量水听器阵列目标定向工程应用中的有效性。