从80年代中期开始，神经网络的研究在美国、日本、西欧等国家再度掀起热潮，在神经网络模型、学习算法、神经计算机实现和应用等方面，取得了令人鼓舞的众多成果，出现了近百种网络模型，新的算法及其改进算法更是层出不穷，使计算机具有更多的智能。由于人工神经网络具有很强的非线性映射能力、一定的容错能力和对噪声的鲁棒性，所以它在很多领域得到了广泛的应用。 BP神经网络是神经网络中使用最广泛的一类。BP算法，即误差逆向传播算法是各种神经网络算法中最基础、最重要的一种。它解决了多层前向神经网络的学习问题，它的理论依据坚实，通用性强，但学习效率不高，收敛速度慢，极易陷入局部极小点的缺点一直是它的一个应用“瓶颈”。对此前人已进行了一些研究，目前还存在一些缺陷。 本文从BP网的结构出发，以减小BP神经网络的规模为手段来克服陷入局部极小点，提出了BP神经网络的拆分组装方法，即将一个大的BP网有机地拆分为几个小的子BP网，每个子网的权值单独训练，训练好以后，再将每个子网的单元和权值有机地组装成原先的BP网，从理论和实验上证明了该方法在解决局部极小值这一问题时是有效的；在拆分组装方法基础上，本文详细阐述了输入样本的预处理过程，更进一步地减小了BP网络的规模，使子网的学习更加容易了；对于子网的学习，本文采用了最速梯度——遗传混合算法(即GDR——GA算法)，使GDR算法和GA算法的优点互为补充，提高了收敛速度；最后本文阐述了用以上方法进行ATM带宽动态分配的过程。 本文主要包括以下内容：第2部分阐述BP神经网络基本理论，第3部分介绍了拆分组装方法，第4部分主要介绍了BP神经网络输入样本的预处理，第5部分介绍了遗传算法的发展及其基本理论，第6章介绍的是最速梯度——遗传算法，第7部分介绍了ATM带宽动态分配过程、子网与总网的学习过程和其中的一些关键程序模块，第8部分介绍的是该系统界面和运行情况，最后一部分总结了论文所做的工作和进一步工作设想。