随着人工智能等相关领域的不断发展和更新,神经网络的研究一直是人们很关注的话题,BP神经网络作为人工神经网络的一个分支,因其有着很好的预测能力,其应用也较为广泛。但是BP神经网络在实际应用中也有着自身的缺陷和不足,BP算法的收敛速度慢、易陷入局部极小值等,针对目前BP神经网络存在的问题,为了进一步提高神经网络分类器的性能,设计一种新的神经网络分类器具有十分重要的意义。针对上述问题,本文对现有的BP神经网络进行了深入的研究后,重点针对如何克服BP神经网络的缺点,提出了一种改进的粒子群算法SCPSO,并与粒子群算法进行对比分析,验证了SCPSO算法有着较强的寻优能力,并应用SCPSO算法对BP神经网络的连接权值进行了优化,解决了BP算法收敛速度慢、易陷入局部极小值的问题,在此基础上,采用SCPSO算法与神经网络相结合的方式,重新设计了神经网络分类器,通过实验对比分析,验证了本文提出的分类器具有较好的分类性能,并针对现有的恶意网页检测问题,应用本文提出的分类器实现了对恶意网页的检测,对基于SCPSO算法的神经网络分类器的高效性和准确性进行了验证。实验表明,通过SCPSO算法优化BP神经网络分类器具有较高的使用价值。与BP神经网络相比,本文提出的神经网络分类器在收敛速度、稳定性等方面均有显著的提高,并通过分析恶意网页的检测结果验证了分类器的实用性和可行性。