金融期权成立于1970年代,并在1980年代被广泛使用,在随后的几十年中,期权交易在金融市场中发挥着不可替代的作用。随着市场经济的发展,期权定价问题变得越来越复杂,如何提高期权的合理定价是整个期权市场研究领域的一个重要课题。经典定价方法包括Black-Scholes模型、蒙特卡洛模拟等,基于数学模型的期权定价方法中,假设条件较多,而现实中投资者情绪在投资决策中起着重要作用,因此学者们开始研究主观意识和心理状态对其权定价的影响。本文分析了现有传统期权定价模型,并总结和比较了这些模型的研究方法和结论,发现已有的模型缺乏对主观意识和心理状态等因素的考虑。本文在前人研究的基础上,加入投资者情绪指标。研究情绪指标是如何影响期权定价,并构建有关情绪指标的RBF（radial basis function径向基函数）神经网络期权定价模型。利用粒子群（PSO）算法对RBF神经网络模型进行参数与结构优化,它加快了RBF网络的收敛速度、提升网络的学习泛化能力。在数据选取上,本文结合中国期权市场的数据特征,选取中国上海证券交易所50ETF期权数据为研究对象。本文通过Wind数据库以及中信证券交易系统收集数据,应用Matlab软件,利用粒子群算法对RBF神经网络模型进行优化,并对BP神经网络下的期权定价模型和传统RBF神经网络下的期权定价模型,以及改进后的RBF神经网络下的期权定价模型进行分析,实证研究结论为:在训练时间与步数方面,改进后的RBF神经网络明显低于BP神经网络和RBF神经网络;在分类正确率方面,改进后的RBF正确率最高;在误差分析方面,本文采用ME（平均误差）、MSE（均方误差）、MAE（平均绝对误差）以及MRE（平均相对误差）四个指标来评价模型误差,以避免单一评价指标的不合理之处,结果表明,改进后的RBF网络的四项误差都最小。所以,无论在训练时间与步数,还是分类正确率和误差分析方面,可以得出改进后的RBF神经网络定价模型更加有效的结论。