随着电子邮件的广泛应用，垃圾邮件作为商业广告、恶意程序或敏感内容的载体，也越来越对系统的安全和人们的生活造成了严重威胁，反垃圾邮件问题已经成为全球性的具有重要现实意义的课题。 但是垃圾邮件快速增长的同时，反垃圾邮件的技术发展缓慢。目前绝大部分邮件过滤技术缺乏智能性和自学习性，不能对己有垃圾邮件的学习来获取识别新垃圾邮件的知识。只有少部分邮件过滤技术具有学习能力(比如贝叶斯过滤技术)，但该技术仅局限于针对邮件的正文内容进行学习，因此，对于结构化文本信息的电子邮件来说，这种技术也有其自身的不足。 本文在贝叶斯过滤技术的启发下，通过分析传统邮件过滤技术的不足之处，在对大量垃圾邮件进行统计分析的基础上，提出了一个基于服务器端的神经网络邮件分类识别模型。该模型综合分析了垃圾邮件和合法邮件的特征，对邮件结构字段信息和邮件正文信息加以离散和特征化处理，并通过编程提取出7个特征属性来表示成向量代表电子邮件。BP算法具有智能性和自学习性的特点，因此，本文提出采用BP神经网络来构造邮件分类识别器。本文比较分析了常用BP改进算法，同时根据收敛速度和精度采用了LM改进算法提高了系统性能。论文最后通过编程对该模型作了一系列的仿真测试。结果证明，该模型能从邮件结构字段信息和邮件正文信息中，学习归纳出能识别垃圾邮件的知识和方法，表明本文提出的基于BP神经网络的邮件分类模型是可行和有效的，并具有良好的效果和智能性、自学习性。