人工神经网络是人工智能研究领域的重要分支之一，在控制、预测、优化、系统辨识、信号处理和模式识别等领域有广泛的应用。鉴于神经网络的传统训练方法存在的缺陷，很多研究者开始将诸如遗传算法、粒子群算法等这些智能启发式算法应用到神经网络的设计和参数优化中，力图解决传统网络训练方法所面临的一些问题。本文将人工蜂群算法与神经网络结合，优化网络的均方误差函数，以获得网络的权值和阈值。人工蜂群算法是一种新型的元启发式搜索算法，是通过模拟自然界中蜂群采蜜的过程所体现的群体智能行为来实现对优化问题的求解。其控制参数少、易于实现、计算简单，而且全局搜索能力强，已被越来越多的学者关注，所以本文用人工蜂群算法去优化神经网络的权值和阈值。本文对蜂群算法进行了一定的研究，并对其进行了改进，主要包括以下三个方面：（1）采蜜蜂搜索行为的改进，包括抑制较差食物源成为邻域蜂的机会和采蜜蜂对优质食物源的加速移动；（2）较差食物源重置，在种群进化过程中，每隔一定周期对较差食物源在缩小的空间内进行重置，期望提高其质量；（3）改进侦查蜂的出现方式，对因滞留次数过多而被丢弃的食物源，在重新搜索时，因其在种群中的地位区分对待，若是全局最优则对其采用反向学习策略，否则将其与较优食物源进行交叉。在分类的实际应用中，当样本类别数较多时，建立的单一神经网络的结构会比较复杂，训练时间会急剧增加，而且网络的输出节点过多，这会导致网络输出的耦合性增大，造成样本错分的情况增多，降低了分类精度。应用模块化的思想，根据样本类别数建立相应个数的子神经网络，每个子神经网络只做二分类问题即输出节点只有一个，从而降低网络的复杂性，各个子神经网络是并行运行的，这也会降低网络的训练时间。最后对各个子神经网络的输出进行综合，确定样本的类别，这将提高最终的分类精度。