在神经网络建模过程中,隐层神经元的数目直接影响着整个网络的性能和效率,主要表现在：当隐层神经元过少时,网络将不足以概括和体现训练集中的样本规律；当隐层神经元过多时,网络将产生冗余信息,出现“过拟合”现象。本文针对神经网络隐层输出产生的冗余信息,采用CPA-MLR(correlation pruning algorithm combined with multiple linear regression)进行消除,以达到精简网络结构,改善预测性能的目的,并应用于初顶石脑油干点软测量建模,结果表明该方法能有效消除隐层输出间的冗余信息,精简后的网络具有较高的预测精度。具体研究内容如下：(1)针对BP网络网络结构的优化问题,提出相关剪枝法与多元线性回归相结合的剪枝策略。首先根据相关性确定冗余节点并进行修剪,然后通过多元线性回归调整输出层权值与阈值。通过初顶石脑油软测量模型的实际应用表明,该方法能有效地消除网络中的冗余信息,建立的模型具有良好的预测性能。(2)针对RBF网络隐层冗余信息的消除问题,分别采用CPA-LSR、PCR和(?)PLSR三种方法对RBF网络进行优化,同时应用与初顶石脑油软测量,结果显示三种方法均能有效的消除网络中的冗余信息,提高预测性能,并且三种方法的优化能力相当；最后根据软测量模型的相关结果,从不同成分的回归系数分析了三种方法优化性能相当的原因。