作为人工智能的核心算法之一,神经网络对训练速度、准确度、架构复用性的要求越来越高。目前训练一个中型规模的多层神经网络需要亿量级计算量。传统架构并行度低、复用性差、扩展能力弱等局限性已经不能满足神经网络在并行计算中的需求。因此,本文对基于流式分布式架构的神经网络进行研究,以满足训练速度提升、架构复用和计算能力扩展的需求。本文首先提出了一种基于Storm流式分布式架构的神经网络训练模型NN-S(Neural Network-Storm),通过数据并行方法将神经网络训练任务分解到多个计算单元并行执行,在单批数据训练完成后同步更新参数。在Storm架构下,使用Zookeeper组网进行多服务器分布式部署,使用NSMap方法将神经网络算法转换成计算机可识别拓扑,并测试了LeNet-5与AlexNet网络训练。训练结果表明,NN-S模型可以显著提升神经网络训练速度。同时,NN-S架构能够在节点失效与网络资源调度异常时快速恢复,具有强鲁棒性。在NN-S模型基础上,本文对神经网络传统BP算法进行了优化,结合在线更新BP算法与累积BP算法的优点,提出了更适合Storm流式架构的MixBP算法,将所有训练数据分解到多个计算单元同步训练,并周期性更新神经网络参数。LeNet-5网络的测试结果表明,NN-S模型下基于MixBP的神经网络训练方法比在线更新BP算法与累积更新BP算法具有更好的加速效果。针对Storm架构资源消耗问题,本文分析了影响并行度和计算速度的主要因素,对比了线程资源分配对网络训练速度的影响,并以LeNet-5为例测试了基于计算节点的负载线程再分配可以显著提升神经网络训练速度。本文对基于流式分布式的神经网络训练进行研究,设计了基于Storm的分布式神经网络训练模型及优化的训练算法,对分布式神经网络训练具有参考意义。