随着信息科技的日益发达,人们在生活中对人工智能有着越来越广泛的应用需求。对于这些需求,人工神经网络特别是BP神经网络作为实现人工智能的工具得到了人们的高度关注,它可以建立某种简化模型并以此来模拟生物神经网络分析决策过程。其中分类问题作为人类学习过程中的基本手段,是人们日常生活中对于信息最基础的处理方式,它为各类决策提供了判断基础。利用人工神经网络来解决分类问题一直是众多研究学者的研究课题。BP神经网络作为经典的前馈神经网络,是目前对于分类问题应用最多的神经网络。但BP神经网络作为传统神经网络算法,存在很大的优化空间。它的缺陷主要表现在权值训练过程中容易陷入局部极小值、误差收敛速度慢等,且对模糊信息进行分类时性能较弱。本文将以BP神经网络算法为基础,从性能优化和模糊信息处理两个方向研究BP神经网络模型对于分类问题的优化实现。主要完成了以下工作:(1)通过研究模拟退火算法与梯度下降算法对BP神经网络权值迭代的算法差异,提出了根据模拟退火算法中的Metropolis准则来调整BP神经网络的权值,使BP神经网络分类器模型能更快更精准地到达误差最小点。(2)实现了模糊理论与人工神经网络相结合的分类方法,该分类方法一定程度上提高了BP神经网络分类器处理模糊信息的能力。(3)在可视化开发平台上实现了基于模糊理论和模拟退火算法优化后的BP神经网络分类器算法的系统设计,并在此系统中进行分类实验并对实验结果进行分析。经过在系统中对多个UCI实际数据集进行实验对比,发现改进后的神经网络分类效果与传统BP神经网络算法相比具有一定的优势,它不仅保障了模糊数据在利用神经网络模拟非线性问题时的分类精度和分类稳定性,同时也能让网络模型在训练学习时能更高效地收敛至误差极值点。