偏最小二乘方法是一种多元统计分析方法。它在化工、金融分析、市场分析、药物分析、计量化学、工业设计等领域有着广泛的应用。它较好地解决了许多以往用普通多元线性回归难以解决的问题,它集多元回归、典型相关分析、主成分分析方法的基本功能于一体,实现了多种数据分析方法的综合运用。采用BP算法的多层前馈神经网络在模式识别、控制工程、信号处理和经济预测等各个领域有着广泛的应用。但是BP算法有几个本质的缺点:收敛速度慢,易陷入局部极小和网络容错性差,输入层、输出层初始权值的选取、网络隐含层数及隐含层单元数的选取尚无统一的理论指导。本文针对其输入层、输出层初始权值的选取、网络隐含层数及隐含层单元数的选取尚无统一的理论指导的问题进行了改进并应用于实例。首先,本文对偏最小二乘算法进行了详尽的分析研究,给出了构建基于非线性迭代偏最小二乘算法的BP网络模型的构造策略,并用实例进行了验证和比较,仿真结果表明拟合和预测效果较好。基本上解决了BP网络模型输入层、输出层初始权值的选取及隐含层单元数的选取问题。基于偏最小二乘算法的BP网络模型在一定程度上能减少迭代步数、提高学习效率,并且能有效提高网络的学习性能。其次,基于同样的思想用偏最小二乘法的最新发展——正交信号修正法去解决BP网络模型输入层、输出层初始权值的选取及隐含层单元数的选取问题,构建了基于正交信号修正法的BP网络模型并用实例进行验证和比较,仿真结果表明拟合和预测效果较好,并且优于其它模型。