作为处理复数域问题的典型模型之一,复数值前向神经网络已经在不同的工业领域中得到了广泛的应用。在复数值前向神经网络的研究中,训练算法的设计与分析一直是一个热门的研究课题。复数值前向神经网络有着与实数值神经网络相似的网络结构,大多数的训练算法都是从实数域推广而来的。其中,复数值随机梯度下降算法尤为常见,但它具有收敛速度慢、训练容易陷入局部极小值等缺点。其次,根据信息处理的需要,不仅要考虑参数优化算法的选择,如何设计和优化模型结构也是至关重要的。基于以上问题,本论文主要对复数值前向神经网络的参数与结构优化算法进行研究,提出了几种改进算法。首先,本论文提出了基于复数值梯度下降算法与最小二乘算法相结合的一阶混合增量算法,用于训练实部虚部型复数值神经网络。与传统的复数值梯度下降算法相比,混合优化算法的优势在于能够明显减少需要更新的参数个数,有效降低计算复杂度,提高了模型的收敛速度。为了能够自适应地确定网络结构大小,通过增量机制逐个添加隐层神经元使得训练能跳出目标函数的局部极小值。其次,Levenberg-Marquardt(LM)算法是一种非常有效的二阶优化算法,具有收敛速度快的优点。但在计算过程中,需要对整个雅可比矩阵进行存储。显然,这对于大规模数据集的学习是不适用的。因此,为了能够处理大规模数据集,降低对内存空间的需求,本论文对传统的复数值LM算法进行改进,实现了全复数值神经网络的训练。我们的算法不需要存储整个雅可比矩阵,只需要依次存储雅可比矩阵的行向量用于后续的乘法运算,从而提高了训练效率。最后,为了能够在提高模型性能的同时优化网络结构,本论文提出了复数值的二阶混合构造算法,将复数值LM算法与复数值最小二乘算法进行结合,分别用于训练输入层与隐层之间的非线性参数和隐层与输出层之间的线性参数。当训练陷入局部极小值时,采用增量构造机制适时调节网络结构,并选择在验证集上误差达到最小时的结构作为网络的最终结构。增加隐层节点后的模型是基于已优化参数的基础上进行训练的,大大降低了计算复杂度,提高了算法的收敛速度。本论文将以上这三种改进算法应用于实数值分类、函数逼近以及信道均衡器模拟等实际问题中。实验结果表明,与一些传统算法相比,我们所提出的算法具有更好的性能。