作为一种简单有效的学习算法，梯度法己广泛应用于训练神经网络。前馈神经网络中梯度学习算法的收敛性已经有了详细的讨论。本文研究神经网络逆向迭代算法，并对该算法的以下方面进行了较系统的分析和研究：1．对人工神经网络的研究现状，发展趋势及应用领域进行了综述，阐述了人工神经网络，反问题及神经网络逆向迭代算法的基本概念，基本结构及相应的算法；2．由于神经网络逆向迭代算法有非常好的信息处理能力，它已经广泛应用于解决自适应控制问题。本文研究的是神经网络逆向迭代算法的离线方式的收敛性质。针对网络结构为两层和三层的情形，本文给出了神经网络中逆向迭代算法的确定性收敛结果：在迭代过程中，误差函数是单调递减的，且误差函数的梯度趋于零，即弱收敛。3．利用神经网络逆向迭代算法对非线性方程进行求解。数值试验结果表明：误差函数有限步单调趋于零，并且该算法具有正则性的优点。这说明该算法便于实际应用。