由于粒子群算法自身存在局限性，需要借鉴其他算法的特性来弥补。因此，粒子群算法和其他群智能优化算法的混合成为目前算法改进的研究热点之一。人工蜂群算法是一种新型的群智能算法，具有全局和局部寻优的特点，将其与粒子群算法相结合，能弥补粒子群极易陷入局部最优和早熟收敛的不足，同时保持粒子群的全局搜索和简单容易实现的特点。因此，本文提出了一种改进的粒子群算法并将其应用到SVM参数优化中，进行语音识别。首先，本文将粒子群算法和人工蜂群算法相结合，提出一种粒子群和人工蜂群的并行混合优化算法。将算法应用到函数优化问题中，用典型的单峰函数和多峰函数进行最小值寻优，测试算法的优化性能。实验结果表明，与自适应的粒子群算法相比，混合优化算法具有优化精度高，收敛精度高，迭代次数少，成功率高等特点，体现出良好的鲁棒性和较快的收敛速度。在此算法的基础上，本文引入带有调节因子的人工蜂群算法，实验结果表明带有调节因子的混合算法在高维条件下，更适合于多峰函数，表现出良好的寻优能力，有效地避免了局部最优。其次，由于支持向量机能很好地解决分类问题，是一种新型的机器学习理论。支持向量机的核参数对分类性能有重要的影响，其优化方法还比较局限。因此，本文将混合算法用于优化支持向量机的核参数，并将优化后的支持向量机应用到语音识别中。实验结果表明，与用粒子群优化核参数后的支持向量机相比，用混合算法优化核参数后的支持向量机具有良好的抗噪性、鲁棒性，其语音识别能力和泛化能力较强。再次，由于核函数的类型决定着支持向量机的分类性能，混合核函数作为一种新型的核函数同时具有局部核函数和全局核函数的性能。对其参数进行寻优，得到最优的参数组合，提高混合核支持向量机的分类性能是目前的研究热点之一。本文将混合算法用于优化混合核函数的支持向量机参数，并将优化后的支持向量机用于语音识别。实验结果表明，与粒子群优化的支持向量机相比，混合算法优化的混合核支持向量机具有较高的语音识别率，能适应不同的样本特征。通过综合比较混合算法优化混合核函数和RBF核函数的支持向量机分类性能，结果表明优化混合核函数的支持向量机具有较好的鲁棒性和泛化能力。