BP(Back-Propagation)算法是现在用得最多的一种神经网络学习算法,由于它是基于最速下降方法,它有收敛速度慢、容易陷入局部极小点等缺点,这限制了它的应用范围。本文从标准BP算法容易陷入局部极小点这个问题着手,分析其容易陷入局部极小点的原因,即网络神经元的转换函数Sigmoid函数存在一个饱和区域,在此区域中网络节点的输入变化大但是其输出变化极小,甚至变化可以忽略不计,由此产生了网络的输出对输入的敏感性极小,网络的输出和输入不协调,网络陷入局部极小点。所以本文提出了一种改进价值函数,使价值函数不仅与输出层的输出有关还与隐藏层的输出有关,从而加大网络对输入的敏感性,使网络的输出和输入之间尽可能协调,使其能快速逃离局部极小点,收敛到全局最小点。然后根掘价值函数的性能曲面,对改进的BP算法的各参数(因子)在几种特殊情况下进行了讨论,并给出了迭代过程中最优参数的计算方法。在文章的最后对扩展的异或问题进行了仿真实验,用改进BP算法和标准带动量因子的BP算法与模拟退火算法进行了对比,对比结果表明:标准的BP算法只能确保收敛到极小点,但不能确定是局部极小点还是全局极小点,改进的BP算法能确保收敛到全局极小点;改进的BP算法比模拟退火算法的收敛速度快很多。因此,这种改进的方法能加快收敛速度并收敛到全局极小点,达到了期望的效果。