蚁群算法出现以后，相继出现了许多其他群智能算法。目前，传统的群智能算法已经应用于许多领域，但是均存在一定的缺陷。Yang X S教授探索结合一些早期的算法的优点，提出了蝙蝠算法这一新型元启发算法。蝙蝠算法提出后，Yang X S利用一些函数进行测试，验证了其相比其他算法性能较佳。但其不可避免存在群智能算法的通病，即收敛速度慢、易陷入局部最优等问题。　　为了解决蝙蝠算法的这些缺陷，本文提出了一种改进型蝙蝠算法(Starling Flock BatAlgorithm，SFBA)。首先针对上述缺陷，本文引入椋鸟群行为对蝙蝠算法进行改进。在蝙蝠算法寻优过程中，最优值出现停滞或者更差达到一定次数时，利用椋鸟群行为挑选出部分较差个体并用同样数量较优个体替代。此外，针对速度迭代公式加入线性递减权重，平衡全局搜索和局部搜索。利用测试函数进行仿真，得出所提改进点有效。　　此后，针对BPNN收敛精度低、易陷入局部极小值点等问题，本文利用SFBA算法对BPNN的权值及阈值进行优化，同时引入自适应学习速率-附加动量法，取代原先固定学习速率，通过仿真验证了改进型BPNN(SFBA-BPNN)的有效性。最后，本文将SFBA-BPNN应用于短时交通流量预测这一复杂非线性问题，利用SFBA-BPNN预测交通流量。通过与真实值进行对比，结果表明SFBA-BPNN在预测精度及收敛速度均取得了较好的效果。