人工神经网络是一种非线性的信号处理器,由相互连接的基本处理单元神经元所构成,可以进行复杂的逻辑操作。在数字通信中,信号经过信道传输时会产生严重的码间干扰,这是由于时延、多径传输和耦合效应的影响产生的。这些码间干扰降低了通信的可靠性和传输速率。采用均衡技术能够用来消除码间干扰:传统的均衡技术需要依靠训练序列来消除码间干扰;盲均衡技术不需要借助训练序列就能对信道进行跟踪,依靠自身固有的特性更好的恢复出信号,提高通信质量。通过神经网络来设计均衡器有很多优点,如收敛速度快和误码率低等。基于神经网络盲均衡算法是值得我们研究的课题。本文主要对基于BP神经网络盲均衡算法进行深入研究。主要工作总结如下:(1)归纳总结神经网络和盲均衡的基本理论。研究基于BP神经网络盲均衡算法并对其进行了详细的公式推导。(2)首先分析固定步长BP神经网络盲均衡算法存在收敛速度与稳态误差矛盾的缺点,并提出了两种自适应变步长BP神经网络盲均衡算法。然后在不同的信道条件下进行仿真,验证了两种变步长算法在收敛性能、稳态误差和误码率方面的优越性。最后在此基础上研究不同误差函数对两种变步长算法的影响。(3)分析介绍了双线性递归神经网络,并将其与BP神经网络算法相结合,提出了一种基于双线性递归BP神经网络盲均衡(BP-BRNN)算法。本文对此改进算法中各层网络权值进行了详细的推导,并且通过不同信道下的仿真验证了BP-BRNN算法具有更优的性能。