BP(Back Propagation)神经网络是目前人工神经网络中最具代表性和应用最广泛的模型之一。其结构简单，可操作性强，能模拟任意的非线性输入输出关系，在模式分类，图像处理，决策支持等领域都有着广泛地应用。虽然BP神经网络得到广泛地应用，但是由于训练BP神经网络的BP算法，在本质上它是一种非线性优化问题的梯度算法，所以它存在收敛性问题。即该算法不能保证训练结果一定收敛到全局最优点，容易陷入局部极小点无法跳出而达不到全局最优点；全局收敛速度很慢，训练时间过长；同时收敛性过分依赖于初始连接权值，学习率的选择等问题，一定程度上影响了它的应用效果。混沌是存在于非线性系统中一种较为普遍的现象，它的运动轨迹具有遍历性，随机性等特点，它能在一定范围内按其自身规律不重复遍历所有的状态。针对BP算法存在以上诸多问题，本文引入混沌优化思想，将BP算法具有的快速收敛到局部最优的特点与混沌搜索具有的全局遍历性有机结合，利用典型混沌映射Logistic方程优化学习率，探讨了一种具有混沌学习率的BP算法来优化BP神经网络的训练过程，以克服BP神经网络在训练过程中容易陷入局部极小值和全局收敛速度慢的现象。　　 本文将改进后的算法应用于某市对某电信ICDY业务访问量的网络流量预测和人脸偏转方向判断。实验结果充分表明，具有混沌学习率的BP算法，在预测拟合效果和人脸方向判断上都达到设定目标。为了证明改进算法的合理性和有效性，本文将改进算法与三种基于学习率改进的BP算法比较，收敛速度和精度得到明显提高，且具有一定的避免BP网络陷入局部极小的能力。同时对学习率的选择有了新探索，对获得更优意义的多层前馈神经网络，取得了新的尝试。