预测问题通常十分复杂,受很多潜在因素影响,而且传统的预测模型在考虑复杂的非线性关系方面存在局限性,这通常导致预测问题难以解决。鉴于BP神经网络有对事务特征建模以及提取事物之间隐藏关系的能力,以正确的方式应用它可以作为传统预测模型的替代方案,而且与传统预测模型不同的是,BP神经网络对输入和残差分布没有施加任何限制。但是,BP神经网络也存在一些缺点,例如收敛速度慢,以及容易陷入局部极小值等问题,这使得建立精确的预测模型变得困难。针对这种情况,本文研究了优化BP神经网络的方法,主要包括:(1)提出了一种智能优化算法(BAS Optimizes Weights,简称BASOW)来优化神经网络,该算法主要在神经网络权重训练阶段引入天牛须搜索算法(Beetle Antennae Search,简称BAS)进行训练,是一种代替误差反向传播形式的训练方式。鉴于BAS算法的全局寻优能力以及单体的寻优策略,BASOW算法提高了神经网络的训练效率,而且在人口预测应用中,该算法展现了良好的预测能力。(2)当神经网络结构变得复杂,待训练参数数目增多时,BASOW算法的训练复杂度也随之上升,完成神经网络训练任务将会变得困难。为了解决这个问题,本文提出了改进的BASOW算法(improved BASOW algorithm,简称iBASOW),该算法采用合作研究的思想,将BAS算法和BP神经网络融合到一个单独的系统中,让前者用于系统初始权重优化,后者用于系统权重训练,二者扬长避短,相互促进。(3)由于BASOW和iBASOW算法都只针对单个网络的训练,这种单一的训练方式可能会造成预测精度上的波动。为了进一步提高神经网络的预测稳定性,在所提iBASOW算法的基础上,提出一种基于Spark的改进神经网络并行优化算法(Parallelized iBASOW algorithm,简称 P-iBASOW)。该算法是以集成学习思想为导向,Spark分布式计算框架为依托,用数据并行化的方式训练改进后的神经网络模型。通过在4个真实数据集进行的测试,对比BP和其他算法的预测性能可以发现,并行优化后的iBASOW算法,即P-iBASOW算法,具有较优的预测能力以及预测稳定性。