自从人工神经网络问世至今,已有许多学者在单个神经网络理论方面进行了深入的研究,并已成功地将单个神经网络应用于多个领域,其中BP网络和它的变化形式应用最为广泛.随着待解决问题规模扩大以及复杂度增加,网络隐层节点数不断增加,产生了网络内部强耦合,导致网络学习速度降低和网络性能衰退;单个神经网络可看成是"黑箱",网络节点,结构和待解决的问题之间有不明确的联系和意义.而自然界中模块化现象随处可见,模块化神经网络能有效地解决上述单个神经网络应用和实现时出现的问题,它对神经网络技术的发展具有非常重大的促进作用.该文详细分析了模块化神经网络体系结构,研究内容及研究概况,深入研究了三种不同的模块化神经网络,以及它们分别在字母识别,多条RNA序列联配,滚动轴承类故障识别的应用,而且实验验证表明,模块化神经网络比非模块化神经网络具有更好的网络性能,更高的训练速度,更好的准确率.在此研究基础上,提出了一种新的模块化神经网络用于T细胞表位预测,通过过滤模块块速排除不结合的学习样本,将可结合的学习样本再放入三个分类模块进行学习,最后将三个分类子模块的结果进行最大值判定输出最终结果.由于每个模块都是只有一个输出的子网,这种模块化神经网络可降低每个子网学习的复杂度,从而使隐层节点数减小,网络结构更简单,更容易训练.同时分类模块可以并行训练,并行应用,提高了学习速度.该文设计的模块化神经网络,每个子模块输出都是一维,因而克服了多输出单个BP网络存在较多的隐层节点所带来的强耦合干扰及不利于学习的缺点,提高了T细胞表位预测的正确率.实验结果表明,相对单个BP神经网络,这种新的模块化神经网络结构在用于T细胞表位预测时,具有较高的预测准确率和数据自我组织及学习能力.