人工神经网络是一门新兴的边缘学科，与传统医学统计方法相比，人工神经网络不需要精确的数学模型，没有任何对变量的假设(如正态性、独立性等)要求，因此可以弥补传统统计方法的不足，解决一些用传统统计方法不能解决的问题。 人工神经网络的应用已经逐渐进入医学领域。对医学工作者而言，如何构建网络模型，使之具有较好的推广能力，解决实际问题是他们所关心的重点。本文针对在医学领域应用最广的BP神经网络展开研究，介绍了BP网络的基本原理，并从统计学的角度对学习过程进行描述。结合数据模拟通过对BP网络的构建、训练、优化和评价进行讨论，提出一些简易可行的网络优化方法，如如何确定隐单元数、通过修剪对网络进行简化以提高网络性能、提前终止训练等，并探讨它们的统计学应用和联系。 我们通过构造无隐含层的单层BP网络，对网络构建的一般原则、训练过程、评价指标进行总结，这些原则对多层BP网络也同样适用，对实际工作者具有指导意义。由于单层BP网络在医学危险因素筛选方面具有特殊的意义，我们对单层网络训练的样本大小要求进行模拟研究，而在此以前，国外只针对多层网络的训练样本提出过要求。模拟结果显示，训练样本大小与连接权数的比为10：1时，即可获得具有一定推广能力的网络模型。 我们对多层BP网络中隐单元的功能进行描述，并引入信息论的观点，提出一种应用信息熵估计隐单元数的方法。通过数据模拟与现有几种隐单元数确定方法的效果进行比较，熵法构造的模型的判别效果优于其它隐单元数模型。 探讨修剪算法对网络结构优化的作用以及它的实际意义。我们将修剪算法引入医学多因素资料的分析；首次探讨了单层网络中的修剪算法在变量筛选方面的作用，提出修剪后的单层BP网络模型的连接权与回归系数具有相同的含义，为医学研究中危险因素的筛选提供了一个新的途径。 将前面提出的网络构建和优化的原理，包括隐单元数目的估计，修剪算法、提前终止训练等进一步应用于预后资料的实例分析中，并与传统医学统计方法比较。 本研究创新之处在于: l)将信息论中的嫡引入网络模型构建，提出一种新的隐单元计算方法:根 据信息嫡估计隐单元数，在数据模拟和实际应用中取得较好的效果。 2)首次将网络修剪算法应用到医学多元资料的分析中，并对修剪算法与传 统统计学的联系进行探讨，实现了在网络训练中进行变量筛选。 3)通过模拟，对单层神经网络训练所需的样本含量进行初步探讨，提出最 低样本含量的要求。 由于时间和搜集的资料的限制，实例应用中对生存资料的分析仅限于单一时间点模型，未对其他模型进行深入探讨，对删失数据在神经网络中的处理也没有进一步研究。此外，对信息嫡估计隐单元数的方法还要进行更大规模的模拟，以进一步证实。