神经网络是一门近几年迅速发展起来的集神经科学、信息科学及计算机科学于一体的交叉学科,它是一种将生物神经网络在结构、功能等方面的理论抽象、简化及模拟而构成的信息处理系统。神经网络理论的应用已渗透到各个领域,并取得了令人瞩目的进展。现代医学受益于高科技的发展,各种前沿科学技术已经渗入医学领域,使医学得到了飞快的发展。神经网络凭借其自身的优点,已被应用于医学诊断领域的信号处理、特征提取、模式识别等方面,并取得了可喜的成果,引起了众多研究者的关注。神经网络在医学诊断领域将具有广阔的发展前景。目前,在医学诊断中应用较多的神经网络是BP神经网络,但是,BP神经网络学习算法在医学诊断的应用中还存在收敛速度慢、隐含层单元数难以确定等缺陷,本文围绕这些问题进行了详细分析和探讨,有针对性的提出了解决方案,并应用于具体的医学诊断实例。作者的主要工作及结论归纳如下:(1)在对神经网络、医学诊断及神经网络在医学诊断中的应用研究进行充分分析的基础上,针对在医学诊断领域应用最广泛的BP神经网络展开研究。详细分析了BP神经网络的结构及学习规则,针对该网络收敛速度慢及隐含层单元难以确定的缺陷,分析并总结了多种改进的神经网络模型,在此基础上,提出了一种确定最佳隐含层单元数的方法——边界数限定确定隐含层单元数的方法,并进行了比较分析,验证了这种方法的可行性和优越性,有效的优化了BP神经网络结构。(2)在对模块化网络分析总结的基础上,将上述优化的BP神经网络结构及模块化网络应用于医学诊断的具体实例——帕金森病的诊断,通过将帕金森病的诊断指标分类建立各自的BP诊断网,各类诊断网先单独测定,然后将它们各自的结果综合起来得出最后的判断。结果表明:相对于未改进的网络,该方案提高了帕金森患者和非帕金森患者的正确检出率,降低了帕金森患者和非帕金森患者的误诊率。本文主要有以下创新点:(1)针对BP神经网络隐含层单元数难以确定的缺陷,提出了一种确定最佳隐含层单元数的方法——边界数限定确定隐含层单元数的方法,优化了BP神经网络的结构,并验证了这种方法的可行性和优越性。(2)首次将模块化网络的方法应用于帕金森诊断模型,并用边界数限定确定隐含层单元数方法优化模块化后的帕金森诊断模型,通过实例进行分析并验证了可行性。