近年来我国的汽车尤其是私家车保有量在迅速增加，但相对应的停车设施建设和使用已经无法满足迅速增加的私家车的需求，停车难已经成为困扰每一位车主的难题。调查发现，现有停车设施利用率不高也是造成这个问题的一个因素，为了节省停车取车耗费的时间，应该效仿部分发达国家，在停车场内部构建停车诱导系统。本文希望通过对停车场车位诱导系统的研究，达到两个目的。首先，通过向车辆驾驶员提供车位实时状况信息，使得他们能够在最短时间内找到合适车位，从而避免停车场入口处出现排队拥挤现象，使得因为排队过长引起的交通拥堵状况不再出现。其次，提高现有停车设施的利用率，该系统可以配合城市停车诱导系统，将有停车需求的车辆分配到合适的停车设施中，达到充分合理利用公用停车设施的目的。粒子群算法是基于仿生学提出的一种寻优算法，粒子群算法的基本概念来自于对鸟类觅食行为的观察和研究。假设一个鸟群在一个区域内随机的搜寻食源，而这个区域内的食源是唯一的，且这个食源的位置对于鸟群中所有的个体都是未知的，但是每个个体都知道自己当前与食源之间的距离，以及种群中每个个体的当前位置，在这种情况下，寻找到食源的最简单有效的策略就是在与食源距离最短的个体周围进行搜索。粒子群算法具有实时，高效，不依赖具体问题的特征，但是它本身也有许多局限性，针对粒子群算法的这些局限性，将差分算法的交叉、选择引入到粒子群算法之中构成DE-PSO算法，从而克服粒子群算法自身容易陷入局部最优的缺点。将遗传算法的交叉、变异与粒子群算法结合起来，使得粒子群算法可以保持种群的多样性，避免了过早的收敛。另外引入可以动态调节的惯性权重，根据粒子的多样性程度及时调整惯性权重，使粒子群算法更趋成熟。本质上来看，车位诱导过程本身就是一个具体的路径规划问题，神经网络可以有效的帮助路径寻优问题构建合适的适应度函数，事实证明粒子群算法可以快速高效的解决路径规划问题。