近些年来，永磁无刷直流电动机(BLDC)因其各种各样的优点而得到越来越广泛的应用。在整个系统中永磁无刷直流电机主要消耗电能以维持运行，但不幸地是随之出现的电力价格和需求的增长以及市场激烈的竞争等不利现象。由此，越来越多的电机设计者和制造商对提高电机的效率和结构优化都产生了极大感兴趣。　　在过去的几十年中，电机的设计优化已经为设计者以及制造商带来越来越多的利益。为了解决电机优化问题，研究者们已经提出了多种优化方法。然而，电气设备的设计一直是一个复杂的计算问题，因为它是一个由电气、机械、热和电磁组成的多物理问题。设计参数与机器性能指标之间的关系往往是非线性的、高度复杂的。此外，随着材料的发展、电力电子技术的发展以及电机应用空间和性能的限制，使得传统的优化方法失效。因此，探索一种强大的高效寻找最优解的优化智能算法是非常必要的。本文提出了一种基于神经网络(ANN)的永磁无刷直流电动机(BLDC)的优化设计方法，采用径向基函数神经网络(RBFNN)和一种新的自然启发算法蜂群算法(BA)。本文采用结构优化的方法对电机尺寸和特定形状的转子永磁体进行了研究。使用RBFNN优化设计方法，目的是最大限度地提高电机的效率，使电机的永磁体质量、有效质量和体积最小。BA的优化的目的与 RBFNN类似，但是更重要的是，BA的优化过程分成了两个步骤以获得准确的结果。首先，以外转子直径、磁体厚度、叠片长度和槽口开度为设计变量，实现了效率的最大化和有效质量的最小化。第二步是通过选择合适的极弧系数、磁极偏置和磁铁厚度的取值，使电机的齿槽转矩和成本降到最低。最后，利用Ansys-Maxwell有限元分析软件对RBFNN和BA的计算结果进行了验证。本文还对径向基函数神经网络(RBFNN)和遗传算法(GA)以及 BA 与遗传算法(GA)和模式搜索(PS)进行了比较研究，以判断出能更好的寻出最优结果和搜索精度的方法。比较结果表明，与遗传算法和模型搜索(PS)算法相比，本文提出的算法具有更大的优越性。