仿生优化算法的性能问题与神经网络训练方法的效率问题一直是机器学习领域的研究热点。随着科学中的优化问题越来越复杂,仿生优化算法不断被提出与改进,但其收敛性等方面仍存在可提升空间,传统的基于随机梯度下降的神经网络训练方法已经无法解决这些复杂优化问题,如何优化神经网络参数,探索高性能的神经网络训练方法已经成为机器学习的重要解决问题之一。针对上述问题,本文从郊狼优化算法的改进和BP神经网络参数优化两个角度提出了基于改进郊狼优化算法的BP神经网络模型。首先,针对郊狼优化算法优化性能弱及多样性低等问题,为了更好的发挥郊狼优化算法在解决复杂优化问题方面的性能优势,提出了一种基于反时限衰减算子的混沌郊狼优化算法（ICCOA）;一方面,在个体迭代更新过程中加入反时限衰减权重因子,使得全局搜索与局部开发能力保持平衡的同时提高算法的搜索速度;另一方面,加入基于Tent混沌映射的混沌干扰机制,将种群中部分较差个体经过映射产生新个体,进而增大种群多样性;为了验证ICCOA算法的优化能力,分别在10、30和100维度下进行函数优化测试,并与5种优化算法进行比较,其实验结果表明ICCOA算法具有良好的优化性能。其次,针对BP神经网络效率低的问题,将改进后的郊狼种群独特的进化策略引入到BP神经网络参数优化过程之中,本文提出了一种基于反时限混沌郊狼优化算法的BP神经网络参数优化方法作为新的神经网络模型（ICCOABP）,并与标准神经网络、基于遗传算法的BP神经网络参数优化方法一同应用于机器学习的模式识别任务与数值预测任务,进行性能比较,实验结果表明ICCOABP算法具有高效性。新的BP神经网络模型采用改进的郊狼优化算法作为优化器,大大提高了模型的预测性能,具有重大的理论意义和现实意义。该论文有图24幅,表6个,参考文献73篇。