为了获取高效的BP网络学习系统,我们对于BP网络的结构以及影响网络学习性能的其它相关因素进行了探讨.特别的是,我们对于BP网络训练技术作出了进一步的分析与设计.BP算法引入,使得神经网络拥有了对噪声数据的高承受能力,以及对未经训练的数据建立分类模型的能力.但是,BP算法存在的收敛速度慢、稳定性较差的问题也使得BP网络学习系统解决复杂问题的能力大为减弱.针对这一问题,我们采用了一种新的解决方案:综合变步长法与加惯性项法的思想,通过采集学习过程中前后几次学习的权值增量,进行综合对比与判别从而确定新一轮迭代权值的调整值,当前后几次的权值增量变化过大或者过小时,分别作缩小与放大处理.通过引入这种调节机制,减小了振荡发生的概率,增强了BP网络的稳定性,同时保证了收敛速度.为了验证研究结论的准确性,我们根据研究所确定的方案设计了一个神经网络学习系统.在该系统中,给出了传统BP算法、变步长法以及改进算法三种网络训练的机制,选用函数逼近与XOR问题求解两个试验加以了验证.理论分析与实际验证的结果表明,我们所采用的网络训练方案明显优于标准BP算法与常规的变步长法,BP网络学习系统具备了高效的学习能力.