BP神经网络是各种神经网络模型中具有代表意义的神经网络模型之一，已获得了广泛的应用。由于BP神经网络存在其固有的缺陷，所以许多专家学者对其性能的改善做了大量的工作，对BP算法进行了卓有成效的研究。但是，对BP神经网络的研究，大都是基于对BP算法的某一方面进行改进，然后将改进的算法与基本BP算法进行比较，对BP神经网络进行综述的论文还很少见到。而且，在玻璃制品质量检测这一领域，目前还未曾有过神经网络技术的应用。本论文将对BP算法作一个系统的综述和一些初步的探索，并将其应用于“玻璃制品的计算机视觉在线检测系统”中，以使该检测系统具备自学习、自适应的能力。 从内容上看，本论文由以下两部分组成：第一部分是介绍神经网络，从神经网络的基本特点、发展历程、构成、类型及应用等几个方面进行了概述；第二部分是介绍本论文完成的工作，其中包括：对BP神经网络结构及BP算法进行的研究，BP算法在“玻璃制品的计算机视觉在线检测系统”中的应用。 针对BP神经网络隐含层节点数难以确定这一缺陷，本论文在总结前人经验和实验的基础上，提出了一种直接估算最佳隐含层节点数的简单方法，简化了隐含层节点数的确定，并取得了良好的效果。 在基本BP算法及许多改进型BP算法的学习过程中，采用的控制方法一般为：设定一个固定的允许均方误差或学习次数，或同时设定固定的允许均方误差和学习次数。但它们都存在各自的缺陷，在某些情况下学习时间太长，甚至陷入死循环；或者学习精度不高。为提高BP算法的收敛速度和精度，本论文提出了一种二次自适应调整学习参数的改进型BP算法。该算法在学习过程中，除了对学习率和动量因子进行自适应调整外，还能根据网络的实际训练情况自适应确定允许均方误差的值，从而克服了传统的BP算法在学习过程中采用的控制方法存在的缺陷。实验表明，二次自适应调整学习参数BP算法的训练速度和精度都比传统的BP算法有明显的提高，因而有较好的应用价值。 “玻璃瓶口裂纹检测系统”是广西师范大学电子技术研究所与桂林市玻璃厂联合开发的“玻璃制品的计算机视觉在线检测系统”的一个子系统，笔者在调试过程中发现，该子系统对环境变化适应的灵活性和对新信息的容错性较差，这主要是由于该子系统目前所采用的算法不具备自学习、自适应的能力所造成的。在这方面，神经网络给我们提供了一条崭新的途径，神经网络通过对经验样本的学习，将学习结果以权值和阈值的形式分布存储在网络内部。更重要的是，神经网络具有极强的自学习、自适应能力。本论文将BP算法应用于该子系统中，建立了基于BP神经网络的“玻璃瓶口裂纹检测模型”，克服了原算法对环境变化适应的灵活性和对新信息的容错性较差的弱点，从而使该检测系统的自学习、自适应能力大大增强了。笔者用Visual C++成功地实现了BP算法对玻璃瓶口裂纹的检测，实验表明，BP算法的检测效果与原算法相比，有了明显的改善和提高。