人工神经网络是借鉴生物神经网络结构和生物神经元工作机理，在一定程度上模拟人脑功能的信息处理系统。神经网络的容错性、非线性、联想记忆性等众多优点使其在复杂对象建模过程中发挥巨大作用，其应用已经渗透到社会各个领域。神经网络的研究主要集中在神经网络结构和学习算法两方面。在结构设计方面，除了经典的神经网络外却鲜有突破性进展。当前的神经网络模型无法根据承担任务的复杂程度动态调整其结构，而神经网络的结构直接影响神经网络的性能。此外，现有的神经网络训练算法在全局收敛性和快速性方面亦有待提高。本文针对上述问题，提出了一种快速扩展傅立叶振幅灵敏度(F-EFAST)修剪算法和一种定值子集训练(FSBT)算法，旨在改进神经网络的性能，并将其应用于活性污泥法重要水质参数COD的软测量中，取得了很好的效果。主要研究内容如下： (1)针对前馈神经网络，在归零子集训练(ZSBT)算法的基础上提出了FSBT算法，通过对典型函数逼近的实验验证，该算法收敛速度和拟合精度优于LM和ZSBT。 (2)提出了一种F-EFAST神经网络在线修剪算法，通过对不同结构的冗余神经网络的修剪实验，表明修剪后的神经网络结构稳定，计算复杂度明显改善。 (3)在F-EFAST算法和FSBT算法的基础上构造了一种快速自组织前馈神经网络(FS-FNN)，将其用于污水处理过程中，可以有效的解决COD的测量问题。仿真实验结果表明，FS-FNN的性能由于传统BP网络。