物联网是一个新颖的概念,在无线通讯技术迅速发展的背景下,很快成为当下热门的课题。它的基本概念是围绕我们身边广泛存在的各种各样的事物和物体通过全球唯一的地址模式实现彼此互相交流、通讯、协作从而达到共同的目标。物联网是一个很大的概念,通常可以把它看做是现有的互联网的一个扩展,因此它将继承现有网络的很多资源和研究成果。然而,由于数据量的庞大以及资源、环境的限制,也带来了很多未曾出现的问题。本文中研究的数据分类技术就是为了缓解在物联网中庞大的数据维度给数据采集、数据传输以及数据处理带来的压力。数据分类作为数据挖掘中一个重要课题,旨在生成一个分类函数或模型,该函数或模型能把数据映射到指定类别中的某一类。本文选用BP神经网络算法来实现数据分类,并且对其工作原理进行了详细的推导。针对该算法存在网络收敛慢和容易陷入局部最小值等缺陷,本文采用了使用可变学习率和加入动量因子相结合方法来改进传统的BP算法。在具体的网络训练实验中,发现该改进算法在一定的程度上提高了网络的收敛速度。最终数据分类结果表明,BP神经网络在用于物联网中的多维数据进行分类时有着较高的分类成功率。尽管对算法进行了改进,但本文通过实验发现在网络精度下降到一定程度时,收敛速度还是会处于一个很低的程度。并且整个训练所需要的时间在很多特殊的物联网应用中,还是不能被接受的。为此,本文提出了在云计算平台下实现BP网络训练的方案。云计算技术作为物联网体系的基石,它的应用直接加速了物联网的拓展。为了在云计算平台Hadoop上实现BP算法,本文提出了针对数据分类应用特性的MapReduce化方法。在部署好的Hadoop集群运算平台上进行的网络训练表明,MapReduce化后的BP网络学习算法有效的实现了对传统BP算法的并行化分解。对比整个过程所消耗的时间,结果表明云计算平台下的BP神经网络能够大大缩短其网络训练时间,这样在很多能源和处理能力受限的物联网基站中,就能用与云计算技术相结合方式实现神经网络的训练了。神经网络的基本原理是模仿人的大脑神经元网络,试图能拥有像人一样的智能学习能力以及逻辑分析能力。然而人的大脑拥有860亿个神经元,这是当前计算机无法模拟的。但是,我们可以从人脑结构以及学习原理出发,尽可能模拟出能像大脑一样思考的网络,并且随着计算机性能提升很多在当前被视为瓶颈的问题,都可能会被解决。结合理论和实验结果分析,本文发现传统的BP神经网络算法有望在未来物联网体系中突破它的计算瓶颈,赢来快速的发展。