随着计算机的发展,计算能力的增强,人工神经网络作为模式识别的重要代表性成员也成为了人们的研究热点。其中基于梯度下降(Gradient Descent,GD)算法的反向传播(Back Propagation,BP)神经网络是在应用方向研究最为成熟的模型之一。然而基于GD算法的BP神经网络模型存在缺点,例如,算法的收敛速度慢,容易陷入局部最优以及无法确定最优的神经网络结构等。天牛须搜索(Beetle Antennae Search,BAS)算法结构简单,参数少。本文将BAS算法用于替换BP神经网络模型中的GD算法,训练模型参数,以弥补基于GD算法的BP神经网络模型存在的不足。主要研究内容如下:第一,本文针对基于GD算法的BP神经网络模型存在的收敛速度慢的问题,提出了一种将BAS算法与BP神经网络相结合的模型,简称BASNNC(Beetle Antennae Search Neural Network Classifier)。BAS算法被用于优化BP神经网络的权重。此时,神经网络中的GD算法被替换成BAS算法来优化权重。BAS算法是一种启发式搜索算法,相对于遗传算法等其他搜索算法,BAS算法的优点是只需要单个个体,运算量大大降低。本文进行了两个测试函数的验证和9个UCI数据集上的分类应用。实验结果证明,本文所提出的算法在达到与基于GD算法的BP神经网络分类模型的同等分类效果的同时,不仅降低了计算复杂度,也加快了算法的收敛速度。第二,本文针对基于GD算法的BP神经网络模型无法确定最优的神经网络结构这一挑战,提出了一种天牛须搜索网络结构(BAS Neural Architecture Search,BAS-NAS)算法,用来进行最优神经网络结构的搜索,又提出了改进的BASNNC(improve BASNNC,i BASNNC)算法来满足对神经网络中更多参数和权重的优化。本文的网络结构搜索主要是针对三层神经网络(包括输入层,隐藏层和输出层)中的隐藏层的神经元结点数进行优化。目前最常用的隐藏层神经元结点数确定的方法是试凑法,即根据经验和多次参数调试得到。本文采用BAS-NAS算法结合i BASNNC算法来自适应的得到较优的参数组合,从而形成较好的神经网络结构。通过MATLAB仿真实验证明,改进后的神经网络模型的分类准确率得到了提高。