目前,采用BP算法的多层前馈神经网络在模式识别、控制工程、信号处理和经济预测等各个领域有着广泛的应用。但是BP算法有三个本质的缺点:收敛速度慢,易陷入局部极小和网络容错性差。本文针对其缺陷对算法进行了改进。首先,本文对BP神经网络模型和算法进行了系统的综述。针对标准BP算法存在的缺陷,对BP神经网络模型输出神经元过早饱和的机理进行了分析和研究。在数学理论上深入分析了BP神经网络输出神经元出现过早饱和现象的内在机制,提出了相关定理并加以证明。其次,本文介绍了包含学习率、动量因子和比例因子的三项BP算法,详细推导出网络学习参数的最优估计公式。并从理论上分析了三项BP算法的复杂性,其结果是:最优学习参数的三项BP算法不需要太大的计算量和内存,算法优于两项BP算法,并能有效提高网络的学习性能。最后,通过分析隐层神经元饱和度对网络性能的影响,构造了新的误差函数,同时设计了一种自适应调节的放大误差信号方法,得到新改进的BP学习算法。该算法流程简单,不需要太大的计算复杂性。仿真实验结果表明新改进的BP算法在收敛速度和避免误差函数陷入局部极小方面明显优于其它BP算法。