موتورهای احتراق داخلی به دلیل داشتن بازده و قدرت بالا نسبت به وزن و حجم شان کاربرد فراوانی در بخش خودروسازی و سایر صنایع دارند. امروزه به دلیل مسائل حاد انرژی و زیست محیطی تحقیقات فراوانی برای افزایش بازده و کاهش آلاینده های منتشره از این موتورها صورت می گیرد. در پژوهش حاضر نیز، از ترکیب روش شبکه عصبی مصنوعی با الگوریتم فراابتکاری بهینه سازی گروه ذرات (pso) برای مدلسازی و بهینه سازی در موتور اشتعال تراکمی پاشش مستقیم om355، با هدف کاهش آلاینده ی nox در حالت بیشینه ی بازده موتور استفاده شده است. برای این منظور، نخست از یک شبکه ی عصبی مصنوعی پرسپترونی چندلایه با الگوریتم آموزشی پس انتشار ارتجاعی (trainrp) برای مدلسازی ارتباط بین پارامترهای عملکردیِ، دور موتور، دمای هوای ورودی، نسبت هوا به سوخت و جرم سوخت پاشیده شده با پارامترهای خروجیِ، آلاینده یnox و بازده موتور استفاده شده است؛ که نتایج حاصل در مقایسه با 282 دادهی تجربی موجود، مطابقت خوبی را نشان میدهد. سپس با استفاده از الگوریتم pso به بهینه سازی نتایج حاصل از مدلسازی پرداخته شده و نهایتاً مقادیر بهینه ی پارامترهای عملکردی بدست میآید. مقایسه این نتایج با منحنی عملکرد موتور و نتایج تجربی تطابق خوبی را نشان می دهد. همچنین، روش pso همگرایی سریعتر (کمتر از 100 تکرار) و یکنواخت تری نسبت به الگوریتم های فراابتکاری مورچگان و ژنتیک دارد. بنایراین میتوان از روش ترکیب شبکه های عصبی مصنوعی با الگوریتم pso به عنوان روشی مناسب در سیستمهای کنترلی موتورها برای کاهش آلاینده یnox در حالت بیشینه ی بازده موتور در موتورهای ci استفاده کرد.