神经网络方法由于具有自学习、自组织和泛化能力,在模式分类领域得到了广泛的应用。神经网络的泛化能力是指:用一组训练样本对神经网络进行训练后,网络对训练阶段未曾见过的样本也能正确分类。神经网络模式分类方法虽然具有比其他分类方法更好的泛化能力,但在实际应用中,仍然不能满足人们的期望。特别是当测试样本包含的噪声较大时,往往会发生误判。可见,传统神经网络方法泛化能力并不理想,而且不稳定。所谓泛化能力不稳定是指:对同一个分类任务,训练样本改变,分类器泛化能力的大小也会改变。本文提出了一种基于最优分类面的神经网络模式分类方法。通过寻找并训练最优分类面,提高网络的泛化能力,增强泛化能力的稳定性。用异或问题和双螺旋线问题验证该新方法的有效性和泛化能力,取得了令人满意的结果。BP网络收敛较慢,我们使用AB神经网络的思想,加快网络的收敛速度。在待逼近的最优分类面比较复杂时,我们将最优分类面分为多个结构相同的神经网络。第一个网络作为A网,其它网络是B网。A网训练完毕后,其结果作为B网的参考。网络的训练时间缩短到原来的2/3。电子邮件的应用越来越广泛,随之产生的垃圾邮件问题也引起了人们的广泛关注。本文将最优分类面算法应用于垃圾邮件过滤,垃圾邮件的识别率有了较大的提高。