近年来,复数值神经网络作为神经网络研究领域的一个重要分支,越来越受到广大科研工作者的青睐,人们把神经网络的网络结构、算法理论从实数域推广到复数域,复数值信号逐渐被人们用于解决实际问题。前向神经网络具有简单的网络结构、优良的逼近性能和较快的收敛速度等特点,因而前向神经网络得到广泛应用。本论文对复数值前向神经网络及其算法进行研究,提出了无后向传播的复数值前向神经网络学习算法,提高了网络训练的学习效率。首先,本论文提出了无后向传播的实部虚部型梯度下降算法。该算法是从传统的实部虚部型复数值前向神经网络推广得到,实验分析可以看出复数值前向神经网络算法具有强大的计算能力。同时,通过实验比较分析,可以看出无后向传播的复数值神经网络的计算优势。然后,本论文提出了一种无后向传播的实部虚部型复数值前向神经网络LM算法和全复数值前向神经网络LM算法,并将其应用到分类中。利用前向计算代替传统神经网络的正向和反向计算,简化了复数值神经网络训练。通过引入前向计算,复数值Levenberg-Marquardt算法变得更有效。网络计算时间损耗比较结果表明,论文中所提出的算法比传统的Levenberg-Marquardt的实现速度要快。我们将上述算法应用到UCI公共数据库里的实数数据集分类,实验结果证明了本论文所提出方法的有效性。