人工智能的研究一直以来都是科学发展过程中最有意义、最激动人心同时也是最富有挑战性的课题。近些年来，人工神经网络(Artificial Neural Network，ANN)作为对人脑最简单的抽象和模拟，因为其功能的强大，逐渐成为了智能科学的领头羊，成为发展活跃的一门交叉学科。它涉及生物、电子、计算机、数学、物理等多个学科，因为其独特的方法体系，使得它在科学研究、社会生产、国家基本建设等领域的应用越来越广泛。　　 BP(Back Propagation)神经网络作为目前应用最为广泛的神经网络模型之一，通常是指基于误差反向传播算法(BP算法)的多层前向神经网络，该网络是1986年由Rumelhart和McCelland为首的科学家小组提出并设计出来的。其权值的修正是沿着误差性能函数梯度的反方向进行的，由于实际应用的问题复杂性，BP网络采用传统BP算法常存在诸如训练速度慢、易陷入局部极小值等一系列问题。所以在近些年的研究过程中，针对传统 BP算法存在的一些不足，众多专家提出了一系列利用诸如遗传算法(Genetic Algorithm，GA)、粒子群算法(Particle Swarm Optimization，PSO)、模拟退火算法(Simulated Annealing，SA)等由模仿生物进化的进化算法来对神经网络进行优化。这些算法的提出以及应用，为加快BP网络的学习速度提供了更进一步的动力。　　 遗传算法是一种自适应的、开放性的随机优化算法。由于遗传算法独到的工作原理和机制，使它能够在复杂的解集空间中进行全局优化搜索，并且具有较强的鲁棒性。但是因为遗传算法的交叉变异操作将破坏以前的知识，因而遗传算法不像粒子群算法一样具有记忆功能，所有粒子不能都保存最佳的解的知识。而粒子群算法不要求目标函数具有连续性，且它的搜索具有全局性和并行性，所以算法简单，收敛速度快，且不再有遗传算法的选择、交叉、变异等复杂操作。但对高维复杂问题，粒子群算法易早熟收敛，无法保证收敛到最优点。　　 在借鉴前人研究的基础之上，本文对BP神经网络、遗传算法以及粒子群算法从结构和性能方面进行了分析总结，以此为根据，对一种基于遗传算法的BP神经网络模型进行了分析，并针对改模型进行了仿真实验，根据试验结果对比了传统BP神经网络模型与GA-BP混合建模的差异，通过试验证明进化算法在对神经网络优化过程中所起到的作用。　　 在此基础上，本文还根据遗传算法和粒子群算法各自的优缺点给出了一种改进型算法，即遗传粒子群算法(Genetic Particle Swarm Optimization，GPSO)。GPSO算法以自然界和物理界的基本原理为导向，并根据环境的变化，将遗传算法和粒子群算法相结合，在保留遗传算法交叉、变异操作的基础上，增加粒子群的种群划分思想以及利用粒子群算法的基本公式对遗传算法原有的变异算子进行重构，通过融合种群多样性和遗传优胜劣汰相结合的方法使算法获得持续搜索能力。通过将GPSO算法作为BP网络的学习训练函数，建立了基于GPSO算法的BP网络。最后，对基于不同算法的BP网络进行了仿真实验比较。结果表明，基于GPSO算法的BP网络与传统BP神经网络相比，迭代次数有了较为明显的减少，测试平均准确率也有一定幅度的提高，有效的克服了传统BP算法收敛速度慢的问题，对以后BP神经网络的进一步研究和应用提供了一条新的思路。