农业信息网站是现代农业发布政策、推销产品、交流技术、互通需求、相互联络等活动的重要信息平台。本文以农业信息网站为研究对象，探索和改进信息网站的评价方法，以期为不断涌现的农业信息网站评价提供理论方法和依据。农业信息网站评价是高质量实现农业信息化的重要环节，是促进农业信息网站建设的重要手段。对推动农业信息化各项工作的深入开展，融入未来高速发展的信息化社会具有非常重要的现实意义。　　 本文的主要工作和做出的贡献有三个方面。　　 首先，针对目前农业信息网站的具体情况，在深入分析网站评价方法和相关评价指标体系研究成果的基础上，采用定性和定量分析相结合的方法，构建了合理的农业信息网站评价指标体系，设计了相应的专家打分规则，从而为农业信息网站的评价提供了输入信息源数据，为农业信息网站的评价研究奠定了基础。　　 其次，在对多种神经网络方法学习研究的基础上，提出评价农业信息网站的组合神经网络方法。该组合神经网络方法主要包括三部分。一是针对网站评价输入数据因素多、采集困难等情况，利用SOM（自组织特征映射）神经网络的分类识别功能，处理输入数据、进行信息网站特点的分类、剔除异常的输入数据及形成规格化的评价数据集。二是针对网站信息复杂、神经网络训练计算量大、影响因素多等情况，提出了改进的RBF（径向基函数）神经网络方法。改进的RBF 神经网络方法基于向量表示，采取复杂问题“分而治之”的思想，用等维向量方法进行神经网络训练，减少了模型的计算维度，可以自动逼近最佳网络结构。三是针对农业信息网站层次复杂的情况，提出以SOM网络为输入层，以改进的RBF网络为训练隐含层和评价输出，得到组合的神经网络模型，并给出了算法步骤。组合神经网络方法，降低了信息网站评价问题的复杂性，使依据评价指标体系的评价结果更加科学。　　 最后，在因特网上选取了十个较大型的农业信息网站，以三个月随机抽取的数据进行了应用案例研究。分别采用BP 神经网络、未改进的RBF 神经网络和组合神经网络三种方法，进行评价实践和对比分析。结果表明，组合神经网络方法在农业信息网站评价时速度快、精度高、易使用，更适于农业信息网站的评价。　　 本文的主要创新点有三。一是提出基于向量思想的改进的RBF 神经网络方法，提高了神经网络模型的训练效率和评价精度。二是提出基于SOM神经网络和改进的RBF 神经网络的组合神经网络方法，提高了农业信息网站评价的精度和效率。三是设计了评价指标体系，为网站评价实施奠定了基础。