Pi-Sigma神经网络是一种具有快速学习能力和强非线性处理能力的高阶神经网络,已应用于模式识别、信号处理、图像处理等智能化信息处理领域。和其它神经网络一样,Pi-Sigma神经网络的性能主要依靠收敛速度更快,学习效果更优的网络学习算法和网络结构优化方法。鉴于此,本文对Pi-Sigma神经网络学习算法做了深入的研究,主要内容及结果如下:第一,分析Pi-Sigma神经网络已有的常用学习算法,并总结各种学习算法的优缺点。第二,提出一种混合遗传学习算法(Hybrid Genetic Algorithm, HGA),将具有全局搜索能力的遗传算法和具有局部搜索能力的单纯形法(Simplex Method)结合起来。并对混合遗传学习算法的收敛性进行了分析。第三,基于田口方法(Taguchi Method),提出了一种Pi-Sigma神经网络的结构优化方法,该方法使用混合遗传学习算法对Pi-Sigma神经网络结构进行优化的同时,利用田口方法增强遗传算子的性能,减少实验次数,从而减少算法优化时间。该结构优化方法在不明显增加训练误差的情况下,可以有效地删除Pi-Sigma神经网络冗余的连接权值,降低网络的复杂度和减少训练时间。最后,本文对所做的研究工作进行了总结,并对今后Pi-Sigma神经网络的学习算法及结构优化方法的研究进行了展望。