径向基(RBF)神经网络是一种典型的前馈型网络,因为其只有一个隐含层的简单构造,较快的学习速度,不容易陷入局部最小化,具有良好的泛化能力等优点在很多领域都体现出了优越性。粒子群优化算法(PSO)作为一种智能搜索算法,有较强的全局收敛能力和鲁棒性,且模型简单,没有遗传算法中的遗传操作,常被应用于RBF神经网络的参数寻优中。本文主要研究对象为PSO-RBF神经网络算法,在PSO算法改进方面选择收敛的惯性权重代替固定值,并用测试函数对改进前后算法作性能测试,结果证明该算法具有更强的局部和全局收敛能力。首次将PSO-RBF神经网络算法应用于DNA序列分类问题,构建基于PSO-RBF神经网络的DNA序列分类模型。DNA序列分类问题是生物信息学研究中重要的一部分。该研究目的是预测未知DNA序列的类别从而了解其特性,这对判断其是否属于隐存种、外来物种或者濒危物种有重要意义。特征提取是DNA序列分类非比对方法中重要的一环。本文在经典k-mers方法的基础上提出了一种新的特征提取方法:首先用碱基转移概率代替k=1、2时的单碱基和双碱基频率,其次用氨基酸种类代替k=3时的三碱基频率,最后应用主成分分析法对该特征向量降维。对比k-mers方法,该方法提取的DNA序列特征向量不仅数据维度小,且具有更强的生物学意义。最后,应用美国国家生物技术信息中心(NCBI)的真实DNA序列对该模型进行测试。测试结果显示,该模型对DNA序列的分类结果正确率达到94.90%,具有比较高的实用性。