反向传播算法是最成功的训练神经网络的算法之一,但由于其具有收敛速度慢和易陷入局部极小值的缺点,使得其优化和收敛性分析成为一个热门的研究方向。加入动量项是优化反向传播算法的方法之一,它可以提升算法的收敛速度。在传统的动量反向传播算法中,动量系数取为区间（0,1）内的一个固定常数。但在这个方法下,只有当当前梯度下降方向和上一步迭代时权值改变方向相近时,才有加速收敛的效果,反之则会沿着误差增加的方向运动。基于此,设计一个能够自适应变化的动量系数,成为了优化反向传播算法的一种方式。本文提出一种新的具有自适应动量系数的反向传播算法,所提出的算法包含了文[25]和[31]的算法,并在三层前馈神经网络结构中和一定条件下,证明了均方误差函数的强收敛和弱收敛结果。数值实验表明,本文算法的收敛速度快于文[25]和[31],并且误差更小。在本文算法基础上,通过7)2范数正则化提升了算法的泛化性能,并同样在三层前馈神经网络结构中和一定条件下,证明了均方误差函数的强收敛和弱收敛结果。数值实验表明,正则化后的算法能够有效减小权值参数过大导致的过拟合现象,提升了预测准确率。