BP神经网络作为一种人工智能技术经历了半个多世纪的发展,取得了令人瞩目的进展。近年已有国内外研究人员将其引入数字滤波器设计中,利用BP神经网络较强的函数逼近能力对滤波器理想系统函数进行逼近,取得了良好的效果。但是在BP神经网络应用于数字滤波器设计中,也存在着诸多局限性:网络训练容易陷入局部极小值,无法收敛到给定的误差;训练时间长,迭代次数多,收敛速度慢;权值选择盲目,不具备全局特性等。这些缺点影响了网络训练的成果,需要采用一定的方法对BP神经网络进行必要的优化。本文针对上述BP神经网络存在的问题,提出了优化的遗传LM-BP算法。LM算法是一种利用标准数值优化技术的快速算法,在BP神经网络中引入LM可以解决局部极小问题,并加快收敛速度。而遗传算法是一种建立在生物进化理论和遗传学知识基础之上的全局优化搜索方法,它具有简单通用、鲁棒性强的优点。采用遗传算法对BP神经网络的训练权值进行优化选择,从而提高了BP神经网络的函数逼近效果。最后本文将优化的遗传LM-BP算法应用于FIR数字滤波器的优化设计中。通过与经典BP神经网络设计的滤波器相比,应用本文提出的优化算法设计的滤波器,在通带内衰减更小,阻带内衰减更大,取得了良好的优化设计效果。