BP神经网络是各种神经网络模型中具有代表意义的神经网络模型之一，己获得了广泛的应用。如果恰当选择BP网络的结构，它能够以极高的精度和泛化能力描述许多问题。由于BP算法存在其固有的缺陷，许多专家学者对其性能的改善做了大量的工作，对BP算法进行了卓有成效的研究。本文对BP算法作了一个系统的介绍，并分析了它存在的主要缺陷及其产生的原因，同时针对BP算法存在的主要缺陷指出了相应的改进措施。实验中以经过旋转的二值图像直接作为BP网络的输入，略去了对图像进行特征提取选择的步骤，同时也是对BP网络能确保畸变不变性模式识别理论的验证。 在实验过程中，首先用加动量项的BP算法对二值图像进行识别研究，发现网络初始权值在(O，1)范围内选取时对网络的识别正确率影响很大，并通过进一步的实验提出了自己的见解并给出了理论推导和实验证明。针对BP算法收敛速度缓慢这一情况，分析其产生的主要原因(在学习过程中使用梯度下降法，因此存在误差饱和现象)，并在实验的基础上提出了改进的使用ESPF的BP算法(使用添加动量项的防止误差饱和函数的BP算法)进行识别研究。与其它改进算法进行的实验比较发现，此改进算法无论在收敛速度还是在网络的泛化能力方面都比原有算法有很大的改进，而且对网络隐节点数目的要求也降低许多。这对于BP算法在目标识别方面的应用具有一定的借鉴意义。