神经网络在模式识别、函数逼近、数据挖掘等许多领域已经取得了很多成功，但目前神经网络的理论和应用都还存在一些困难，如局部极小点、过学习、欠学习以及推广能力等问题。其中，网络的推广能力是衡量神经网络性能的最重要的指标之一，推广能力差的网络很难在实际应用中取得好的结果，如何提高网络推广能力成为该领域的热点之一。本文结合有关项目，对神经网络推广性理论以及提高网络推广能力的方法进行了较为深入的研究，提出了基于网络修剪的神经网络强推广性学习算法，该算法能够有效地提高神经网络推广能力，并把该算法用于高维多光谱图像分类中。人工数据和多光谱数据的实验结果表明该算法是非常有效的。 本文首先介绍了多层前向神经网络的基本问题，回顾了神经网络的发展历程，详细介绍了多层前向神经网络的结构、功能、BP学习算法以及在实际应用中所需要考虑的问题。然后介绍了神经网络推广性的概念，推广性的基本理论，以及目前常用的提高神经网络推广能力的方法，总结了当前神经网络结构优化与推广能力研究的现状。接着从神经网络结构对推广能力的影响入手，用实验的方法分析了隐层神经元数目与网络推广能力之间的关系。根据修剪网络结构能够提高网络推广能力的基本思想，提出了一种新的网络迭代修剪算法来提高网络的推广能力。最后简要介绍了高维多光谱数据分类的基础知识，并使用神经网络对高维多光谱数据进行分类，然后用我们提出的网络迭代修剪算法来优化网络结构，提高数据分类的精度。人工数据和多光谱数据的实验结果表明该算法能够有效地提高神经网络的推广能力。