传统玻璃成分设计方法不仅计算繁琐、工作量大，效率低，而且精度较低，生产者迫切希望能改进玻璃成分设计方法。计算机辅助建模大大缩短了新材料、新工艺和新设计从实验室转移到生产现场所需的时间，为玻璃成分设计提供了强有力的技术支持。 人工神经网络是用工程技术手段模拟生物神经网络的结构特征的一类人工系统。它具有很强的自学习能力，能够从已有的实验数据中获取有关材料的组分、工艺和性能之间的规律，并达到预测的目的。本课题主要研究了人工神经网络在玻璃成分设计中，尤其是在预测玻璃性能方面的应用。 依据人工神经网络技术，采用反向传播算法，建立反映玻璃成分-性能之间的定量关系的模型，利用Matlab软件编程，把玻璃的21种组分的含量作为输入量，玻璃的密度、折射率和阿贝数作为3个输出量。网络经过训练，网络学习误差E=0.004997。网络检验结果证明，检验样本的三种性能的平均相对误差仅为0.30％、0.30％和0.28％。 同样，建立6×6×1的三层BP网络结构模型，以纤维玻璃成分为输入量，预测它的弹性模量。经过训练9859次，网络最终学习误差E=0.0049999，检验样本的相对误差为0.33％。对以上检验样本用传统计算方法进行验算，结果表明BP网络预测的相对误差显著低于传统设计方法。可见，所建立的人工神经网络模型具有较高的精确度和效率。