神经网络技术是一种重要的数据信息处理方法，近些年来，被广泛应用于数据挖掘、模式识别、智能控制及复杂过程系统建模当中。前馈神经网络是神经网络设计当中可论证的最简单也是最为重要的一种网络模型，理论证明三层前馈神经网络可以以任意精度逼近任何连续函数，所以近些年来对前馈神经网络训练算法的研究备受关注。本文针对目前前馈神经网络训练应用较多的BP算法和智能优化算法所存在的缺陷和不足，提出了两种基于反传混沌粒子群的前馈神经网络训练方法，将混沌映射和粒子群优化方法结合，并引入误差反传概念形成新的混合算法用来训练前馈神经网络，通过仿真实验和实际应用检验算法的有效性。本文主要研究工作如下：1.综述了前馈神经网络发展现状，并介绍了本文所用到的主要技术如粒子群、混沌映射及误差反传梯度下降等方法。提出了一种基于反传的混沌粒子群训练前馈神经网络的算法框架，具体思想是利用粒子群优化方法训练前馈神经网络的权值和阈值等参数，当算法陷入局部最优解时，调用混沌映射带领粒子逃离局部极值点；同时，针对粒子在训练后期迭代速度变慢等特点，调用误差反传梯度下降方法，加速粒子的局部搜索，保证算法在全局范围搜索的同时，也具有较快的局部搜索速度。2.根据训练算法框架，提出了利用适应度方差方法判断粒子早熟收敛，并采用无限折叠迭代混沌映射的训练方法，即ICMICPSO-BP方法。采用三个UCI数据集和四个benchmark函数进行仿真，证明算法的有效性和可行性。3.在ICMICPSO-BP算法的基础上，提出了利用适应度绝对偏差判断粒子早熟并采用伯努利移位混沌映射的训练方法，即BSCPSO-BP方法。同时为了证明算法的有效性，采用三个标准benchmark问题检验算法，结果表明所提算法在建模方面较ICMICPSO-BP具有更高的训练精度和泛化精度。4.将上述所提的两种方法应用于PTA溶剂装置的电导率和高密度聚乙烯串级反应装置(HDPE)熔融指数和密度的软测量建模。结果表明所提的两种方法是可行和有效的，同时也说明所提算法对实际工业应用具有现实指导意义。