神经网络在模式识别、系统辨识、信号处理、自动控制、组合优化、预测预估、故障诊断、经济学等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出良好的智能特性和潜在的应用前景。遗传算法建立在自然选择和群体遗传学机理基础上的随机、迭代、进化，是模拟生物在自然界中的进化过程所形成的一优化求解算法。即神经网络学习算法易于陷入误差函数的局部极值点。遗传算法(GA)同即算法相比，具有许多优点，不易陷入局部极值点。但是当遗传搜索迅速找到最优解附近时，不易精确地确定最优解的位置，它在局部搜索空间微调能力差。从一定意义上将即神经网络是一种局部微观算法，而遗传算法是一种全局宏观算法，一种算法如何寻求在宏观与微观协调统一成为很多学者探索的问题。本文针对这一问题开展研究工作。 　　本论文针对上述问题作了以下研究，首先，研究了神经网络解决问题的核心思想，对神经网络的局限性进行分析，提出了修改动量因子、自适应调节学习率、陡度因子的计算公式；利用上述结果和交叉熵最小化方法改进了BP神经网络算法，设计并实现了改进的BP神经网络算法；探讨了即神经网络的收敛性。对遗传算法的基本原理进行研究，分析了遗传算法的全局收敛性，对遗传算法的核心问题进行研究，给出了自适应的交叉概率和变异概率计算公式，进而对已有的遗传算法改进，设计了改进的遗传算法。综合上述研究结果，本文将改进的BP与GA有机结合，构造出神经网络和遗传算法融合学习模型(BGF)，利用GA的交叉、变异选择算子在全变量空间以较大概率搜索全局解的特点，以及在解点附近BP算子能快速、精确地收敛的特点，设计并实现了该算法，采用交叉熵信息增益选取变量、交叉验证等技术将该算法应用到疾病诊断系统，通过试验数据证明了本文所提出的各算法的有效性。