深度置信网络(DBN)是一种常用的深度学习模型, 在雾霾预测 领域得到了广泛的应用. 然而, 利用传统的DBN进行雾霾预测时, 无监 督学习阶段各节点的连接权值和节点阈值的随机初始化会导致学习速度 慢、容易陷入局部最优等问题. 为此, 文章提出了基于参数优化深度 置信网络的雾霾预测模型. 首先, 构建融合多种变异策略的改进人工蜂群算法(IABC), 从理论上证明了算法的有效性, 并利用6个标准测试函数验证了其收敛速度和寻优精度优于其他人工蜂群算法; 其次, 将IABC算法用于DBN的连接权值和节点阈值的参数寻优, 通过DBN的无监督特征学习和有监督微调, 建立基于参数优化深度置信网络(PODBN)的预测模型; 最后, 利用雾霾数据集和UCI标准数据集验证了该预测模型的有效性, 实验结果表明该模型的预测精度和稳定性优于传统的DBN、FA-DBN及PSO-DBN等模型.