人工神经网络技术从兴起到现在经历了几番波折。从最先的启蒙时期到高潮时期,再到后来的低潮时期与现在的复兴时期。可以说人工神经网络的研究是当今热点之一。生物的神经系统,是自然进化的结果,然而人工神经网络系统大部分是人为预先设计好的,功能具有一定的局限性。研究人工神经网络拓扑结构的自动生成,其意义不止在于创造新的神经网络结构模型以及解决实际的问题上,更是对智能本源的探索。目前对于神经网络的自动生成技术研究主要集中在两个方向：一是模拟自然进化过程,结合进化计算理论演化网络拓扑结构；二是使用搜索技术,根据待解决问题设置合理的启发式条件,引导搜索的过程。本文在前人研究成果的基础上,对神经网络拓扑结构演化方法展开了以下研究：1.对神经网络拓扑结构进化算法—NEAT进行了改进,减少了生成网络拓扑结构的冗余度,提高了算法运行效率,并通过倒立摆平衡试验进行了验证。该算法适用于传统神经网络拓扑结构的自动生成。2.引入了一种特殊的神经网络模型——二值逻辑神经网络；提出了二值逻辑神经网络运算模型的改进措施,加快了二值逻辑神经网络的运算效率,减少了权值和阈值搜索的空间范围。3.提出了适用于二值逻辑神经网络的自动化结构生成算法—基于遗传算法的二值逻辑神经网络结构生成,并通过迷宫路径覆盖实验证实了算法的有效性。然而由于遗传算法本身的局限性,实验结果并未达到预期的要求。4.为了克服遗传算法自身的局限性,提出了二值逻辑神经网络自动生成的新途径—基于启发式信息的二值逻辑神经网络自动生成。该算法能够充分的利用训练数据,获得启发式信息,寻找出输入与输出之间的逻辑关系,生成面向问题的结构。5.最后总结分析了各种自动生成算法的适用范围,以及今后的研究工作。