心理学同人工智能联系紧密，自1956年人工智能的概念提出以来，心理学家同人工智能研究者进行了很多合作研究。如2018年5月，英国《自然》（Nature）杂志刊登了英国伦敦大学神经科学家和英国DeepMind团队人工智能研究员合作完成的一项研究成果，他们利用深度学习技术成功模拟人类大脑的空间导航能力。此类研究向人们展示了人工智能技术在心理学研究中的应用前景。

　　应用于心理测量

　　交互进化计算（Interactive Evolutionary Computation，IEC）属于人工智能领域的一种算法，是一种将人的智能评价同进化计算机有机结合的智能计算方法。目前，交互进化计算在心理测量领域的研究中得到很好的应用。日本学者塔卡西（Hideyuki Takagi）等人将交互进化计算应用于对精神分裂症患者的心理测量和评估中，辅助验证“精神分裂症患者所感受到的情绪表达的动态范围比健康人所感知到的范围更窄”这一假设，该研究是IEC运用于心理测量领域的开创性研究之一。在此之前，精神病学家和心理治疗师认为精神分裂症患者在情感表达方面存在问题，但是由于缺乏定量方法衡量他们的情感表达能力，所以无法以此作为诊断依据。交互进化计算提供了一种定量的测量方法，使得对情绪感知范围的测量成为可能。之后，张琰等人利用交互进化计算技术，以高社交焦虑和低社交焦虑大学生为研究对象，成功地测量并比较了两者在面孔情绪识别的动态感知范围上的差异性。这些研究表明：交互进化计算作为一种智能算法，适用于心理健康测量。

　　此外，人工智能领域的贝叶斯网络和粗糙集分析方法对心理测量数据的挖掘起到了优于一般心理学统计方法的作用。余嘉元发现，利用贝叶斯网络开发的智能自适应测验可以显著地减少教育和心理测试中题目的数量，并且相对于纸笔测验，这种自适应测验获取的信息更多。他还发现，人工智能中的粗糙集分析方法可以对心理测量数据进行挖掘，得到更准确细致的分析结果。

　　应用于心理变量预测

　　近年来，人工智能技术中的表情识别技术被用于心理学人格预测的研究中。以往确定大五人格类型的方法主要是问卷测量，但这需要花费大量时间。加夫里列斯库（Mihai Gavrilescu）在2016年建立了一种新的非侵入性系统，这一系统可以根据面部动作编码获得的面部特征来确定人的大五人格特征。之后，加夫里列斯库和维齐雷努（Nicolae Vizireanu）在2017年提出了一种基于面部动作编码系统的面部特征分析系统，用以预测人们的16PF人格特征。该系统能够在1分钟内准确预测个体的16PF人格，比16PF人格问卷更快速、更实用，适合于短时间内预测人的个性特征。

　　除了人格量表的预测，人工智能技术中的人工神经网络（Artificial Neural Networks，ANN）、拟最优的贝叶斯学习器（quasi-optimal Bayesian learner）和支持向量回归机（Support Vector Regression，SVR）也被应用于心理学研究中，用以预测个体的认知和心理健康状况。

　　人的社会认知加工过程同人工神经网络的信息加工过程存在类似性，因此，许多研究者针对社会认知过程中的一些心理变量建立了各具特点的人工神经网络预测模型。此外，人工神经网络技术在心理健康预测中也得到较好应用。比如，塞雷蒂（Alessandro Serretti）等人应用人工神经网络技术成功对临床情绪失调中的抑郁情绪进行了预测。

　　拟最优的贝叶斯学习器能够模拟在不断变化的环境中人们行为和信念的变化。瓦吉（Matilde M. Vaghi）等人将拟最优的贝叶斯学习器模拟的数据与强迫症及健康人群的行为数据进行比较，以探究两者的行为和信念分别如何随时间变化；并且将贝叶斯学习模型中的不同参数作为预测因子来量化和比较强迫症患者同健康人行为与信念表现上的差异。

　　支持向量回归机是在计算机统计学习理论基础上发展出来的一种新的、有效的机器学习方法，其原理类似于人工神经网络。相较于人工神经网络，支持向量回归机能够克服前者大样本取样要求的使用局限性。一些研究者使用支持向量回归机技术对研究对象的心理特征进行预测，如黄辛隐等人通过支持向量回归机技术，采用高低特质焦虑组面部表情的识别率，成功地预测了他们的特质焦虑分数。