近年来,得益于计算机性能的大幅度提升,计算资源成本下降和大规模标记数据的快速增长,多层次的深度神经网络迎来了研究热潮。在计算机视觉和自然语言分析等领域中,深度神经网络表现出强大的学习能力。然而,随着理论分析与工程应用问题研究的不断发展,深度神经网络仍面临着诸多挑战。如网络结构设计要求过高,参数优化耗时长和网络性能不稳定等。早在上个世纪90年代,就有学者证明浅层的神经网络结构优化为NP（Non-deterministic Polynomial-time Hardness）问题。因此,设计一种自动化,低门槛的深度神经网络结构优化方法,对于在数据驱动的工程应用问题中具有重要意义。以蚁群算法（Ant Colony Optimization,ACO）、粒子群算法（Particle Swarm Optimization,PSO）和自组织迁移算法（Self-organizing Migrating Algorithm,SOMA）为代表的群体智能算法（Swarm Intelligence,SI）是模拟生物界动植物群体生活习性的一类智能算法。它们具有简单性、容错性、分布性、较强的鲁棒性和较好的可扩充性等特点,在解决NP难问题上具有明显优势。因此,本论文的主要研究内容为分析SOMA存在的问题并加以改进,并将改进后的算法应用于解决深度神经网络结构优化问题,提升长短期记忆网络（Long Short-Term Memory Network,LSTM）和卷积神经网络（Convolutional Neural Networks,CNN）等常用网络模型在应用中的性能。本文主要在以下几个方面展开研究工作。1)对SOMA进行分析发现,标准SOMA存在提前收敛、易陷入局部最优的问题。针对上述问题,本文采用基于Logistic混沌映射的种群初始化方案和基于存档的自适应步长更新机制对SOMA进行改进,将改进算法命名为基于自适应步长的自组织迁移算法（SOMA with Adaptive Migration Step Size,ASSOMA）。进一步为了验证算法在改进后的性能,在CEC2015的15个基准测试函数集上进行仿真实验,与其它智能算法和SOMA的变体进行比较分析。实验结果表明,所提出的ASSOMA具有较好的寻优能力。2)以家庭用电负荷预测为待解决的问题背景,构建基于LSTM的预测模型。其次,梳理LSTM中的超参数,分析在不同问题背景下,影响LSTM网络性能的超参数组合。进一步地,使用ASSOMA算法对上述超参数进行优化,寻找最佳网络模型结构。最后,通过与其它智能算法进行对比实验,预测未来一周的家庭用电负荷。实验结果表明,ASSOMA算法在基于LSTM的家庭用电负荷预测问题上,相较于其它智能算法具有显著优势。3)针对集成学习的子模型选择问题,提出了一种选择方案,命名为有效模型选择法。进一步地,采用基于ASSOMA的软投票法对有效模型进行集成模型学习,优化集成模型结构。在Deep Swarm架构的基础上,对上述方法进行实验验证。实验结果表明,有效模型选择法所选取的子模型在集成模型中的性能表现优于原始最佳模型。基于ASSOMA的集成学习方法提升了网络模型在解决图像分类问题上的精度,同时与其它智能算法对比,ASSOMA表现出一定的竞争力。最后,对全文的研究工作进行了总结,并对下一步研究的方向进行展望。