人工神经网络在过程模拟与过程控制中的应用研究方兴未艾，误差反向传播多层前馈网络在人工神经网络发展中有着重要的意义，改进BP算法，确定网络最佳结构、提高网络收敛性等一直是人们关注的重点课题。本文从分析神经网络特性、学习机制入手，探讨和解决神经网络结构优化和学习算法中存在的一些重要理论问题，并在此基础上探讨一条全面解决神经网络过程模拟与过程控制问题的新途径，建立智能过程模拟与智能过程控制系统。 本文首先分析了人工神经网络的本质及其在过程模拟与过程控制中的应用现状，提出了从神经网络结构优化与改进学习算法的基础工作开始，优化网络结构，提高网络收敛性、稳定性和可靠性，从而研究建立神经网络过程模拟与控制系统的设想。文章对标准BP神经网络学习机制进行了详细的分析，对训练样本的选取、学习速率η和动量因子α的自适应动态调整、权值初置及其随机调整、网络收敛与稳定判据等方面展开了研究，提出采用基于训练数据和测试数据的双重收敛准则和基于学习误差的学习速率和动量因子动态调整公式，并讨论了样本所具有的特性和数量与所训练的网络的映射能力的关系及权值初置、调整对网络学习的影响，最后提出了改进措施。 文章对网络拓扑结构与网络收敛性和稳定性的关系进行了探讨，分析了网络出现Overtraining或Overfitting的原因和解决的目标，提出了神经网络结构优化的策略，改进了活化函数，定义了冗余权值和冗余节点的概念，为辨识和删除冗余权值和冗余节点，提出采用优化目标函数中增加网络复杂度罚函数的双重优化目标函数，并对罚因子提出了基于学习误差和权值的自适应动态调整公式，论文定义了这种BP网络结构优化方法为BPNSO，并给出了完整的计算流程。 本文对稳态过程和动态过程两个实例进行了BPNSO法的应用研究，并对各个结构优化参数进行了分析和定义。研究表明BPNSO法不仅可以辨识和删除冗余权值和隐含层中的冗余节点，也能辨识和删除输入层中的冗余节点，这为确定连续动态系统数学模型的阶次提供了一条新的途径。 本文对非线性控制系统的现状和发展进行了分析，提出了基于逆动力学和内模控制原理的神经网络控制系统，对连续动态系统的神经网络结构提出把具有同类特性的输入参数先集中在特殊隐含层中的一个节点上使其产生同类参数总的作用，这