目前,神经网络的理论和应用研究得到了极大的发展,而且已经渗透到几乎所有的工程应用领域。BP网络是一种多层前馈神经网络,名字源于网络权值的调整规则采用的是反向传播学习算法,即BP学习算法。据统计,在神经网络的实际应用中,80%～90%的神经网络模型是采用BP网络或它的变化形式。虽然在理论上,人们已经证明了多种前馈型网络,都能以任意精度逼近于L2 [ R ]类或更广泛的非线性函数,但是,在实际中如何获得网络的最优权值,并非容易。对于BP算法来说,目前仍未能有效地克服其收敛速度慢、易陷入局部最优、外推能力差等缺陷。尤其是当非线性对象受到较严重的噪声干扰时,输入-输出数据不匹配(mismatch),此时的迭代学习收敛慢,甚至不收敛,即使收敛,也并非逼近于真实系统。因此,如何有效地提高BP网络学习算法的抗噪能力和泛化能力,是一个重要的、无法回避的问题。针对BP网络存在的问题,人们进行了深入的研究并提出了许多的改进方法。因为BP学习规则的推导是基于最小均方误差准则,网络的训练过程是由其误差函数来导向的,所以本文从最小均方误差LS型误差函数着手,对BP网络的缺陷进行了分析,将极大似然方法引入到传统的BP神经网络之中,舍弃了人们长期使用的LS型误差函数,重新定义了基于极大似然法的鲁棒误差函数,并讨论了基于极大似然法的BP神经网络算法的实现,通过仿真实例分析了基于极大似然法的神经网络的抗噪能力和泛化能力。在实际的应用中通过实验结果证明了本方法在提高神经网络的抗噪能力和泛化能力的可行性和优越性。