系统辨识一直都是控制领域研究的热点与难点。传统的辨识方法在处理非线性系统辨识上存在很多的缺点，而人工神经网络具有自适应能力、并行处理能力、自学习能力以及任意逼近非线性函数的特点，更适用于非线性系统的辨识。　　几十年前，BP神经网络作为一种人工智能的技术，取得了令人瞩目的成果。近年来也有很多研究学者将其应用于非线性系统辨识，由于BP网络较强的函数逼近能力，所以将其应用于非线性系统辨识取得了良好的效果。然而，在BP网络应用于非线性系统辨识中，也存在着较多的缺点，如网络容易陷入局部最优，无法收敛到给定的误差；训练时间长，而且迭代的次数多，所以收敛速度较慢；该算法的初始权值的选择是盲目的，不具有全局特性等。以上这些缺点都严重影响了系统的辨识效果，所以需要采用某些方法对BP网络进行优化。　　本文针对以上BP网络存在的缺点，给出了一种基于DE-LM算法的BP网络非线性系统辨识的方法。DE算法是一种基于种群的全局优化算法，具有结构简单、鲁棒性强以及容易实现等特点。LM算法是一种利用标准数值优化技术的算法，它提供了高斯-牛顿法的速度与保证收敛的最速下降法之间的一个折衷，该算法可以解决局部极小值的问题，并且可以加快网络的收敛速度。所以本文将DE算法与LM算法相结合用于BP网络的非线性系统辨识仿真研究，其中DE算法用于求出网络的初始权值和阈值，LM算法则用于训练神经网络至收敛。然后将DE-LM算法用于辨识非线性系统，并且与文献[47]的辨识方法进行比较，仿真结果表明所给出DE-LM算法收敛速度快，辨识精度高。　　为了进一步提高网络的辨识精度以及收敛速度，针对DE算法缺乏局部搜索能力，使网络后期收敛速度减慢等缺点，论文将DE算法与BBO算法相结合，给出一种混合的差分演化算法，DEBBO算法。该算法既能利用DE算法中的变异算子对搜索的空间进行开采，从而增加算法找到全局最优解的可能，又能结合BBO算法迁移算子的利用能力，对当前种群信息进行有效的利用，从而加快收敛速度。将DEBBO算法用于训练BP网络具有更快的速度以及更好的鲁棒性，接着进行了基于DEBBO-LM算法的BP网络非线性系统辨识研究，并与基于DE-LM算法非线性系统结果比较，表明DEBBO-LM算法具有更好的辨识效果。　　最后本文将DEBBO-LM算法应用于短时交通流量的预测，通过与文献[60]相比，实验表明应用本文给出的算法，预测的结果更精确，预测误差更小。