分类是指根据原始数据信息,寻找同一类别间对应的函数规则,建立合理模型,以便对未知类别进行合理划分。随着科学技术的日新月异,分类方法的研究在此基础上也更加深入和全面。在实际问题中,数据量日趋大量化,问题日趋复杂化,传统的分类方法通常存在预测准确率低且预测效率不高等问题,BP神经网络模型可以对已知样本数据集进行不断地学习和训练,并且通过对误差反向修正,能够以较高的准确率处理分类问题,因此得到了各领域的广泛应用和认可。但是,在网络结构的搭建过程中仍存在部分不足之处,如隐含层层数及节点数如何合理选取、连接权值阈值的随机性导致网络泛化能力差,这些问题都直接影响着网络的预测精度。鉴于BP神经网络以上存在的问题,论文首先总结前人对隐含层节点数确定的常用方法,在此基础上提出了一种新的隐含层节点数确定方法,并且从理论基础和实际应用两方面对新方法的有效性、实用性以及优越性进行验证。其次针对初始权值、阈值的随机性造成网络收敛速度过慢的问题,论文提出了一种在遗传算法基础上进一步改进的BP神经网络参数优化方式,并给出参数优化算法的具体原理及步骤,对比实验表明改进后的方法在有效提升了网络收敛速度的基础上得到了更好的预测效果。最后基于优化后的BP神经网络预测模型,论文对铁路道岔故障诊断的问题进行分类预测,得到了较好的预测效果。同时,对比实验表明改进后的BP神经网络模型合理有效,达到了改善预测效果的目的。