随着人工神经网络的发展,其用途日益广泛,应用领域也在不断拓展,已在人工智能、自动控制、计算机科学、信息处理、机器人、模式识别等各个工程领域中有着成功的案例。在众多的神经网络中,又以BP(Back Propagation)网络的应用最为广泛,它所采用的BP算法已成为目前应用最为广泛的神经网络学习算法,绝大部分的神经网络模型都是采用BP算法或它的变化形式。这类算法具有很好的非线性映射能力、泛化能力、容错能力,已在各个工程领域中取得了广泛的应用。但人们在使用过程中却发现,该类算法存在这样那样的局限,比如收敛速度慢、容易陷入局部极小值以及忘记旧样本的趋势,这些局限性严重影响了BP算法的应用。本文主要针对BP算法的缺点,从进化算法和BP算法融合的角度进行改进,设计出效果较优的算法。主要的研究工作如下：第一、在对生物神经网络认识的基础上,对人工神经网络进行了系统的综述。重点研究了BP神经网络模型,对它所采用的BP算法进行了进行了详细的推导,定性分析了该算法的局限性。最后通过吸取前人的BP网络设计经验,总结出了基本的网络设计方法,以求推广BP网络的应用。第二、研究了遗传算法,对遗传算法的构成要素进行了详细的探讨。在此基础上,将它与加动量项和自适应学习率的BP改进算法相结合,提出了一种基于遗传算法的神经网络训练算法,建立了遗传神经网络模型。第三、分析了基本蚁群算法的原理以及三种蚁群算法模型,在TSP问题上,当城市个数很小时,它们具有很好的性能,当问题规模增大时,它们的求解性能下降。针对这一问题,研究了改进蚁群算法-蚁群系统(ACS)原理并进行了仿真实验。在此基础上,结合蚁群系统对BP算法进行改进,提出了一种基于蚁群算法的神经网络训练算法,建立了蚁群神经网络模型。第四、进一步讨论了基于蚁群算法的神经网络训练算法中的利用分割法和随机生成法生成蚁群算法的备选权值集合的方式,提出了利用遗传算法优化生成备选权值集合的方法,通过比较表明此方法对于该算法的收敛性有一定影响,但影响不大。将本文所提出的算法运用在城镇居民家庭人均可支配收入的预测方面,验证了算法的优越性。在一定程度上克服了神经网络容易陷入局部极小值,达到快速收敛的目的。