人工神经网络是一种模拟生物神经系统组成、功能结构和工作方式的分布式并行处理运算模型。人工神经网络是二十世纪科学技术发展中所取得的重大成果之一,是人类社会发展史上又一个重要的里程碑。BP(Back-Propagation)神经网络是目前发展最快、使用最广泛的人工神经网络。但是,随着人们对BP算法研究的不断深入,发现算法也存在一些缺陷,主要表现在算法容易陷入局部极值点、可能存在不收敛等问题。针对BP网络算法的缺陷,本文采用人工鱼群算法来优化BP神经网络。然而在使用人工鱼群算法优化BP神经网络的过程中,发现了人工鱼群算法后期寻优容易出现震荡、寻优速度慢的问题,因此,本文首先对人工鱼群算法的缺点进行改进,提出了一种分层人工鱼群算法(LAFSA),然后再使用LAFSA算法优化BP神经网络,并把优化后的算法应用在Web安全方面。本文的工作主要有以下三个方面。第一:针对人工鱼群算法在寻优过程中容易出现震荡和速度慢的问题,本文提出了一种分层人工鱼群算法(LAFSA)。该算法引入了混合蛙跳算法的分层、分组的核心思想,并且非线性的改变人工鱼的步长、视野和拥挤度因子,可以使算法在后期进行精细化的搜索。通过实验表明,该算法的优化精度和运行速度到了很大提高。第二:利用改进的人工鱼群算法对BP网络算法的初始权值和阈值进行优化,提出了LAFSA-BPNN算法,改进后的算法能够很好的用于解决分类的问题。该算法首先利用LAFSA算法优化BP网络的权值和阈值,然后再用优化后的权值和阈值作为BP算法的初始参数训练网络模型。通过实验表明,BP算法的性能得到了很大的提高。第三:把LAFSA-BPNN算法应用在Web安全方面,使用该算法来检测XSS(跨站脚本)的安全漏洞。在Web应用中加入XSS过滤层,通过过滤用户提交到服务器的数据来防止XSS攻击,具体说明了使用LAFSA-BPNN算法检测XSS漏洞的流程和方法。实验表明该算法应用在检测XSS攻击方面具有很高的识别率。