神经网络(Neural Network，NN)是一种超大规模的非线性动力系统，同时也是自适应的组织系统，可以用来描述认知、决策及控制的智能行为，因此，智能的认知和模拟成为对神经网络理论研究的重要方向；但同时，随着研究的深入，神经网络理论也成为并行信息处理的基础。然而，随着应用的广泛，传统的前馈神经网络的反响传播学习(BP)算法具有的如收敛速度慢、容易陷入训练瘫痪，易陷入局部极小而无法得到全局最优等缺陷也日益显现出来。因此，在神经网络训练中引入新的模式和算法，弥补神经网络训练过程复杂，训练速度慢的问题已成为迫切的需要。本文对多层前馈神经网络的结构、原理、训练过程和EM(Electromagnetism-likeMechanism，类电磁机制)算法的原理、机制进行了深入的研究，并且描述了EM算法的若干改进策略。然后，针对传统神经网络训练算法易陷入局部最优、收敛缓慢等缺陷，提出了有效的基于EM的神经网络训练算法，在验证算法有效性的同时，很好的解决了非线性映射和信号的频谱分析等应用问题。实验表明，改进后的BP神经网络训练算法有效地避免了经典BP算法的早熟收敛、容易陷入瘫痪问题，同时改善了对复杂分线性的求解效率，具有更好的收敛效果和更高的求解精度。