随着IT业的飞速发展,在交通局内部已经建立了许多管理信息系统,积累了大量的历史数据。但随着人们对信息综合利用需求的进一步提高,这些简单的信息管理形成了一个个信息孤岛,彼此之间很难达到信息共享。因此,如何将各个异构的数据源集到一起,成为首要解决的问题。本文的课题背景来源于大连市交通局数据中心建设。数据库的异构性主要体现在两方面:一方面是数据库管理系统的差异;另一方面是语义的异构。异构数据库集成的关键问题就是解决语义集成问题,就是要找出异构数据库间相同的属性,即属性匹配问题。本文首先全面地综述了现有异构数据库语义集成技术,并对目前方法的特点和不足之处进行了研究,分析了将神经网络理论引入异构数据库语义集成领域中解决属性匹配问题的可行性;然后给出了基于神经网络的异构数据库语义集成过程:从数据库中抽取属性的特征向量,涉及内容包括数据模式和数据内容统计,并将属性信息特征向量进行归一化:然后建立SOM网络模型,将属性特征向量进行分类;最后建立BP属性匹配模型,通过对样本数据进行训练从而形成学习规则,用于异构数据库之间的语义匹配;并针对BP算法具有收敛速度慢、易于陷入极小值的缺陷,以及粒子群算法具有早熟收敛的现象,本文利用生物界中当种群密度过大时就会自动分家的思想,提出了一种基于改进的粒子群优化BP网络算法,并在具体应用环境中的数据库上进行了实验,实验结果证明该方法能明显提高属性匹配的准确率,降低神经网络的训练时间。本文构建了基于神经网络的异构数据库语义集成系统。并针对BP神经网络的匹配算法的不足,提出了改进的BP属性匹配算法,在实际应用的数据库上进行了实验,并取得了理想的效果。