基于CCD的液位传感器是一类较高精度的传感器。这类传感器一般用在化工、石油以及动力装置等环境恶劣的液体存储设备中。它的标定是依据仪器的测量原理建立输入/输出之间的一种映射关系，再根据样本集求出映射关系中的各个参数，是拟合问题的一种。然而在基于线阵CCD的液位传感器中，液位值与光强值的对应关系是非线性关系，很难通过常用的方法进行数据拟合。随着人工智能的发展以及人们逐渐认识到人工神经网络的威力与它的现实可实现性，它在数学建模方面的优势逐渐显现出来，利用这种优势进行线阵CCD液位传感器的标定研究已经成为一种趋势。神经网络是一种模拟生物大脑的组织结构、处理方式和系统功能的简化系统，可以被用来表达液位传感器这个复杂的非线性系统。把神经网络看成是一个黑箱，利用已经测得的样本集来训练神经网络，使得网络能够表达该系统。然而基本的BP神经网络有很多不可忽视的缺陷，例如：学习速度慢、人为依赖性太强、容错机制较低等缺点且更适用于局部搜索。粒子群优化算法同样是一种智能算法，具有结构简单，容易实现等优点，同时在全局搜索方面具有一定优势。如果能将它与人工神经网络结合起来，就可在一定程度上模拟人类逻辑思维和直觉思维，这将有助于解决一些现实生活中的复杂问题。本文提出了一种将粒子群算法和神经网络相结合的混合算法。混合算法在神经网络的基础上改进了神经网络的训练算法，利用粒子群优化算法对神经网络的权向量进行寻优，并提出了利用目标精度来对神经网络隐含层神经元个数进行寻优的方法。利用测试函数对混合算法进行了计算机仿真，结果证明这个混合算法最终能够寻找到满足目标精度的神经网络权向量和最少隐含层神经元个数，从而得到输入/输出之间较高精度的非线性映射关系。在文章最后，使用线阵CCD液位传感器的标定数据对基于粒子群优化算法的神经网络进行了训练，得到了符合要求的目标网络，然后利用测试集对训练好的网络进行仿真测试。从实验结果可以发现，针对样本集，网络输出达到了很高精度，测试集的网络输出也达到了较高的精度，实现了对CCD液位传感器较高精度的数据标定。