BP神经网络即误差反向传播神经网络，是目前被应用最为广泛和研究最为热门的一种多层前馈人工神经网络，对它的研究具有重要的意义。虽然BP网络具有结构简单、良好的非线性品质、极高的拟合精度、灵活而有效的存储和模型结构的层次性及易于实现等优点，但是它也存在学习训练时间长、收敛速度慢、局部极小点及预测能力低等缺陷。 　　针对以上这些不足，本文从两个方面去修正和改进BP神经网络，以达到改善BP网络和提高它的模拟预测能力和精度。一个方面是采用一种新的具有更优越性的算法来改进和加快BP网络。基于统计学习理论的支持向量机是一种新型的学习机器，由于它的算法是一个凸优化问题即局部最优解就是全局最优解，同时它能够由有限的训练样本就可以得到小的误差。因此采用它来对BP神经网络的隐含层到输出层的权值和阀值进行了优化，实验验证了基于支持向量机的BP神经网络的优越性。 　　另一方面是针对BP神经网络本身的结构问题进行修正和改进，采用最小化Cauchy函数来替代最小化LMS函数作为逼近目标，利用函数()(x)=0.5·sin(λx)+0.5替换S型激活函数，采用改进的Vogl快速算法联合起来对BP网络整个学习过程进行优化，通过对一维函数的仿真展示了联合优化的BP网络优越性。本文将两种改进的BP神经网络分别应用于交通分布上对分布交通量和交通流量进行了预测，结果取得了理想的效果和得到了较高的模拟精度；同时，将改进的BP网络和传统的BP网络进行比较，验证了改进的BP神经网络的优越性。 　　本文最后给出了文章的结论并描绘了BP神经网络的发展前景。