递归神经网络学习算法一直是神经网络方向研究的热点,并且其应用也引起了科研爱好者的广泛关注。动态递归神经网络由于内部有自反馈,表现出很强的动态映射能力。目前训练二阶对角递归神经网络多采用DBP算法,本文针对该算法中的辨识精度和收敛速度等问题做进一步的深入研究和探讨。首先,详细地介绍了递归神经网络结构,并且给出神经网络系统辨识的基本原理和网络辨识模型。其次,针对训练二阶对角递归神经网络采用的梯度搜索算法中存在的问题,提出改进的梯度下降学习算法,并且给出了这种改进算法的收敛性证明。然后,给出训练二阶对角递归神经网络的三种算法：DBP算法、改进DBP算法和RPROP算法和实现步骤,并将三种算法训练后的二阶对角递归神经网络用于非线性系统辨识,仿真结果表明：基于DBP算法的辨识精度不够理想且收敛速度慢,针对该算法存在的问题,采用了改进的DBP算法,辨识效果好于DBP算法；但是DBP算法和改进的DBP算法受梯度大小的影响较大。最后,首次将RPROP算法引入用于训练二阶对角递归神经网络的权值,仿真结果表明：将RPROP算法与改进的DBP算法和DBP算法相比,RPROP算法的非线性系统辨识精度和收敛速度都要优于DBP算法和改进的DBP算法。