随着大数据时代的来临，对海量数据进行分类的需求日益增加，各种分类算法被应用在不同领域。然而，面对信息时代数据的急剧增长，单一的分类算法通常存在弊端，不能很好地满足需求。大量实验证明不同算法构造的混合分类器能够有效的利用算法之间的差异优势，从而表现出更好的分类性能。目前，在人工神经网络领域中，BP神经网络是最为通用、发展最为迅速的。然而，BP神经网络分类器存在易陷入局部极小值、收敛速度慢等缺陷，为了改善该算法的性能，针对收敛速度慢这一缺陷对BP算法进行优化。提出将条件对数似然准则（CLL）融入到监督性BP神经网络分类过程中，利用CLL的优势，计算测试样本的条件概率，在误差反向传播时利用条件概率对权值进行相应的加权降权操作，简化误差反馈过程中的计算量。据此改进算法并进行实验，对改进算法的收敛速度和准确率进行了测试，说明了该算法的有效性及实用性，但是当属性数目达不到一定规模时，BP神经网络构造的分类器仍然存在易陷入局部最优的问题。然而，贝叶斯网络分类器在结构学习过程中使用条件独立性测试，能够构造与数据拟合度高的网络结构，可以有效避免网络陷入局部极小值，在一定条件限制下获得全局最优。贝叶斯网络学习已被证实为NP难问题，但是当结构较简单时，贝叶斯网络分类器仍然具有其明显优势。针对改进的BP神经网络算法和基于条件独立性测试的贝叶斯网络算法的差异互补优势，将两者进行混合应用，利用优胜劣汰的思想，在分类应用时根据数据集的特点，总是选取与数据集适应度较高的分类器作为最终分类器，实验采集了收敛速度和准确率两个指标数据进行验证，证明了所构造的混合分类器能够获得良好的分类性能。