本文对下述三种人工神经网络（ANN）构造性设计方法进行了一些探索研究： 首先，研究了Divide&Conquer(D&C)构造性算法。D&C算法将样本集按一定方式动态分成若干个子集，构造若干个相应的子网络对这些子集进行学习；工作时将各个子网的输出集成，得出最终结果。讨论了如何系统有效的划分样本集，如何确定子样本集的个数，如何集成以得到网络输出。用典型分类问题双螺线问题对D&C算法的性能进行了测试。 然后，提出了一种构造性最近邻分类网络设计方法。最近邻法是传统的模式识别分类方法，它等效为一种输出层为竞争层的单隐层前馈网络，只是网络隐层神经元个数太多，有多少个样本就有多少个隐层神经元，分类计算量大。本部分提出的构造性最近邻分类网络设计方法，动态的构建一个分类网络结构，在实现最近邻分类法的同时，显著减少了神经元的个数，减少了分类计算量。用多个经典分类数据对其性能进行测试，结果表明该网络提高了分类速度。 最后，提出了一种在构造性设计中基于遗传算法优选神经元激活函数类型的方法。全面的ANN学习应该包括神经元激活函数类型的优化。现有的绝大多数学习算法没有考虑这一问题。在构造性框架内优化神经元激活函数类型比较容易实现。将提出的基于GA优选神经元类型的构造性算法与其他多个学习算法进行了实验比较。实验表明，这一方法是有效果的，值得进一步研究。