人工神经网络走过了半个多世纪的曲折历程,吸引了许多科学家在这个领域研究,成为现代脑神经科学,数理科学以及信息科学等综合研究领域的共同的科学前沿之一。二进前向网络是典型的人工神经网络模型之一,是在模式识别和分类方面发展得最早,应用非常广泛的一类人工神经网络。本文首先介绍了神经网络结构和学习算法的基本知识,进一步系统介绍了二进前向网络的结构和算法研究的现状。由于对二进前向网络进行训练的学习算法要求每层的输入输出均是二值,这样就使均方误差函数中存在许多不连续点,它们是不可导的,所以不能直接使用较为成熟的用于连续函数的LMS算法和BP算法等。对Madaline这种典型的多层二进前向网络,60年代Widrow和Winter提出的针对Madaline网络特点的MRⅡ(Madaline Rule Ⅱ)算法,本文对MRⅡ算法作了深入的分析和研究,虽然MRⅡ算法根据最小干扰原则思想解决了一些收敛率及收敛速度慢等不足,但还存在着权值修改公式参数较多不容易协调,经验取值缺乏理论依据不够灵活等缺点。针对Madaline其输入输出均为离散二进制这一显著特点,本文提出了改进后的感知机学习算法,在感知机学习规则上引入学习速率的概念,简化了MRⅡ算法权值修改公式的计算量,并对它的作用和所带来的变化作了全面系统的分析研究,对学习速率与网络收敛能力的关系,网络收敛能力与网络结构的关系,学习速率与信任度的关系,学习速率与结点翻转迭代次数的关系,以及学习速率与最小干扰原则的实现等都做了深入仔细的探讨。用C语言编程验证比较了改进后的算法与原MRⅡ算法的学习效果,实验结果表明本文的算法具有更好的收敛性和成功率。