随着科学技术的发展，人们一直在努力让机器具有人的思维，让它对来自外界的信息做出智能的处理，人工神经网络就是在这一背景下诞生的。人工神经网络是一种模拟人脑工作模式的数学模型，它通过模拟人脑系统，对信息进行存储、加工和处理，应用非常领域广泛。BP(Back Propagation)神经网络是应用最为广泛的人工神经网络，但是由于其本身的一些诸如易陷于局部极小、网络结构难以确定等固有特性的存在，其应用范围还是受到了一定程度的限制和制约。本文主要从遗传算法与BP神经网络融合的角度来实现对网络的优化，主要工作如下：第一，对生物神经元及人工神经元的相关知识进行了介绍，然后对应用最为广泛的BP神经网络的结构、原理及实现进行了讲解，并用数学公式对算法实现进行了推导，最后通过一个函数拟合的例子来对BP网络的性能加以分析。仿真结果显示，标准BP算法存在收敛速度慢等局限性，且网络训练函数、中间隐层节点数目、初始参数都会影响网络性能。第二，研究了遗传算法，从遗传算法的基本操作、特点和原理等方面对其进行了探究。遗传算法是一种基于进化理论的仿生算法，它依据目标函数转换来的适应度函数，对种群进行选择、交叉、变异等遗传操作。第三，从遗传算法与BP神经网络融合的角度，利用遗传算法来对BP网络进行优化，这一优化过程从网络的拓扑结构及参数两个角度进行。在用遗传算法对BP网络的结构进行优化时，采用的是编码方法简单、便于遗传操作实现的二进制编码方法；而对网络的权值、阈值等参数进行优化时，采用的则是编码长度更短、表现更为直观的实数编码方法。最后的函数拟合仿真实验显示，优化过后的BP网络的性能得到了改进。本文最后，通过对广州某路口的交通流量的预测，验证了遗传神经网络的优越性。