随着近些年葡萄酒消费在中国逐渐流行,国内葡萄酒市场所面临的问题也接踵而至,特别是对于葡萄酒质量评价方面。由于目前主流的评价方法更多依靠人工品尝,而对于葡萄酒的理化数据关注较少,尚不存在一个统一有效的葡萄酒质量评估模型。由于缺少对葡萄酒理化指标方面的评估方案,研究一套科学合理的酒类质量评价模型势在必得。目前酒类行业中普遍使用质谱仪来检测葡萄酒中的各项化学成分,但是此方式无法分析成分含量对于整体质量的影响。当前主流使用的评估模型是层次分析法和多元逻辑回归,但是都有其本身的缺陷。针对以上方法无法准确反映葡萄酒质量的问题,本文提出基于遗传算法和BP神经网络的改进模型,探讨GA-BP模型在葡萄酒质量评估上的可行性。该模型以BP神经网络为基础,通过确定BP网络的拓扑结构,将葡萄酒样本集数据输入到网络中训练,运用训练完成的网络模型对葡萄酒样本进行质量评估。为了提升传统BP神经网络中神经元激活函数对网络映射能力和网络收敛速度,本文提出了具有独立超参数的KReLU和LogReLU激活函数,然后利用葡萄酒样本集训练网络来得到最优的超参数值,以确定一个合理的隐含层神经元激活函数。为了克服传统BP网络收敛慢,易陷于局部最优解的问题,提升GA-BP模型中遗传算法各操作算子对全局最优解的搜索能力,本文选用实数编码的方式,将BP网络的初始权重和阈值编码成染色体群,并对GA中的选择操作,以及交叉算子和变异算子分别进行了改进,在提升种群整体适应度的同时也尽可能维持了种群的多样性,这样更有利于保存种群中适应度高的个体,而低适应度的个体则更大概率被淘汰,从而降低陷入局部最优解的概率。经实验对比证实改进后的OGA-BP模型相对改进前的GA-BP模型拥有更强的全局搜索网络最优权重和阈值的能力,对葡萄酒质量有着更准确的评估准度,具有很强的实际应用价值。