多层感知器是一种单向传播的多层前馈网络模型，由于具有高度的非线性映射能力，是目前神经网络研究与应用中最基本的网络模型之一，广泛应用于模式识别、图像处理、函数逼近、优化计算、最优预测和自适应控制等领域。而多层感知器采用的是BP算法。BP算法的收敛速度慢是个固有的缺点，因为它是建立在基于只具有局部搜索能力的梯度法之上的，是只具有局部搜索能力的方法，若用于多个极小点的目标函数时，是无法避免陷入局部极小和速度慢的缺点的。因此，对BP算法的研究一直以来都是非常重要的课题。毕业设计课题旨在对多层感知器的学习算法进行研究，并提出一种新的学习算法。由于BPWE(权值外推BP)算法和TBP(三项BP)算法都是基于权值调整的改进算法，而考虑将TBP算法中的均衡因子融入到BPWE算法中，从而使后者对权值的调整由原来的两项增加为三项，从而提出一种新的学习算法—TWEBP算法。为了验证本算法的优点，采用了三个例子，分别对异或问题、三分类问题和函数逼近问题进行了实验，发现其收敛速度和逃离局部极小点的能力都优于传统算法。