在现代工业过程建模中,建模对象往往包含非常复杂的变量相互作用,很难通过机理分析方法描述对象的变化规律。为此,基于过程数据的神经网络建模方法得到了快速发展。本文首先对神经网络建模中的过拟合问题进行分析,‘指出当样本数据个数小于模型的参数个数时,建立的模型容易发生过拟合问题。同时,提出利用建模对象的单调性专家知识作为神经网络模型训练时的约束条件,防止过拟合问题的发生。当模型的候选参数违反约束条件时,通过惩罚函数对训练目标函数进行更新,从而阻止发生过拟合的候选模型输出。传统神经网络训练算法存在许多不足,如收敛速度较慢和容易陷入局部最优等。为此,本文提出了一种基于AEA的改进算法-EAEA,用于求解神经网络模型的最优参数。EAEA是一种智能优化算法,它将分布估计算法和精英保留策略加入到AEA中,用于产生候选参数的对比种群。然后,通过对候选参数初始种群和对比种群的相关计算逐渐逼近模型的最优参数。利用22个标准测试函数对EAEA的性能进行测试,实验结果表明EAEA具有满意的寻优能力和收敛速度。最后,本文针对神经网络在描述线性关系时存在的不足,将多元线性回归和神经网络方法结合,提出一种新的高低阶混合建模方法。它将建模对象中主导变量和辅助变量之间的关系分为线性部分和非线性部分,然后分别利用多元线性回归和前向神经网络对不同部分进行建模,从而得到建模对象的低阶模型和高阶模型。低阶模型用于对主导变量和辅助变量之间的线性关系进行描述,高阶模型用于对低阶模型存在的非线性误差进行补偿。高低阶混合建模方法可以发挥两种建模方法的优势,从而提高混合模型性能。