数据分类是数据挖掘的主要任务之一，它使用某种分类算法以预先准备好的训练样本数据为输入建立分类模型，最后利用分类模型预测元组的分类标号。分算法的优劣直接影响模型的性能，常用的数据分类算法包括判定树归纳算法、贝叶斯分类算法和前向神经网络分类法。　　 人工神经网络（Artificial Neural Network，简称ANN）已经广泛应用于模式识别、工业控制、经济预测、优化计算等领域，但由于缺乏坚实的理论基础，其拓扑结构设计规则和学习算法一直都是科研工作者的重要内容。　　 人工鱼群算法（Artificial Fish-Swarm Algorithm，简称AFSA）是一种最新提出的新型仿生优化算法，具有良好的克服局部极值和获得全局极值的能力。　　 人工鱼群算法和神经网络都具有模拟生物智能化的学习能力，希望通过结合两者的长处，寻求一种更为有效解决网络优化问题的方法，从而，使得能够更好的理解学习和进化的相互作用关系。在神经网络中应用人工鱼群算法，能有效地克服采用梯度下降法所导致的缺陷。　　 本文在介绍神经网络和人工鱼群算法的理论基础上，分析了人工鱼群算法在神经网络优化中的应用，将人工鱼群算法用于前向经网络的训练，使神经网络获得与模式分类问题匹配的信息处理能力。经人工鱼群算法训练的神经网络应用于Iris，Ionosphere模式分类问题时，与BP算法及遗传算法、粒子群算法相比较，本文算法在可加快训练收敛的速度的同时提高分类误差精度。