神经网络是当今人工智能邻域研究的热点之一。作为对神经系统生物学规律的模拟,预先设计好的结构的神经网络往往会使得其在功能上存在一定的局限性。研究结构自生长的神经网络,既是对智能本源的探索,也可以精简神经网络的结构和提高神经网络的泛化性。目前,自生长神经网络已经在很多领域取得了大量的进展。然而,大部分的自生长神经网络存在着计算量大,结构复杂,生长缓慢,易产生死神经元以及不能很好地利用自增长的优势的缺点。本文在前人的研究基础上,提出了一种基于混和算子的自增长神经网络,并通过一种引导型粒子群算法来提高其生长的效率。主要工作如下：1、提出了一种基于引导的粒子群算法,通过量子化以及免疫特征避免了粒子群的种群多样性的过早单一,并提出了引导粒子指引粒子群跳出局部极小值。以经典测试函数为例,将结果与其它算法进行了比较,得到了较好的效果；2、利用引导型粒子群算法对传统的神经网络进行了优化,提高了算法的精确度以及泛化性。并通过双螺旋分类进行了验证,得到了较好的效果。3、提出了一种基于混合算子的自增长神经网络,该神经网络通过对自增长的混合隐含层结构,包含一个加法部分和一个乘法部分来构成网络结构。生成的神经网络神经元个数少且结构精确。在级联神经网络的结构基础上,采用引导粒子群算法来引导神经网络的结构自增长以及权值的更新。并通过对原料电池的建模与比较分析,证明了方法的有效性和良好的应用前景。