神经网络作为人工智能的重要分支已经广泛应用在计算机视觉、机器翻译、智能机器人、自然语言处理等各个领域。由于网络层数的加深以及参数爆炸式的增长,依靠人工设计网络模型和调节参数需要花费较多的时间和精力,并且效果也并不理想。研究自动设计神经网络结构和调整参数的方法引起了越来越多的关注。遗传算法作为一种具有全局性、高效性、并行性的智能优化算法,可以自适应搜索最优解来解决工程应用中大规模、复杂非线性及不连续问题。利用遗传算法优化神经网络架构的方法既能解决复杂非线性问题又能自动对网络结构和参数进行优化。因此,利用遗传算法优化神经网络的方法在处理各类任务上有良好的应用前景。本文针对遗传算法优化神经网络的细节进行分析与优化并将其运用到具体应用中。本文的主要研究工作如下:1.研究了使用遗传算法对增强拓扑神经进化方法进行优化。提出了一种改进增强拓扑神经进化算法,该算法基于增强拓扑神经网络方法,通过使用遗传算法对其进行进一步的优化改进,使得网络更加稳定高效。将改进后的方法应用到乳腺癌分类问题上进行试验验证,并对试验结果和其性能等进行了分析。最后将该算法与其它主要的方法进行了对比实验,实验结果也表明了此方法的有效性。2.研究了使用遗传算法对CNN-LSTM网络进行优化。提出了一种GA-CNN-LSTM的神经网络模型,该模型通过遗传算法和梯度下降法同时优化CNN-LSTM神经网络的权重。模型可以有效地提高文本情感分析的准确性。将所提出的模型与其他模型上进行了实验比较,实验结果表明该模型在文本情感分类任务上取得了更好的效果。3.研究了使用遗传算法重新设计的编码方式对CNN网络进行优化。通过在遗传算法中使用重新设计的编码方式以及交叉和变异操作,对CNN网络模型进行优化,并在视网膜病变图像分类上进行了试验,实验结果表明此方法对视网膜病变图像分类效果较好。