神经网络是基于生理学的仿生模型,近年来,越来越多的应用于各个领域,尤以模式识别最为成功。但绝大多数的神经网络的训练过程,是在其拓扑结构不变的前提下,仅对网络的参数进行优化。也有少部分具有网络结构优化思想的网络,即级联相关学习结构和网络剪枝,对输入空间进行优化的神经网络还未见报道。本文提出了神经网络结构自优化的新理念,并主要介绍输入空间自优化的概念及输入空间自优化神经网络的基本思想和基本算法。用Matlab 6.5编写了输入空间自优化神经网络的程序,并将输入空间自优化神经网络应用于高速公路的汽车车型的分类中,提高了车型分类的正确率,同时也降低了神经网络的运算量,解决了实际问题。与传统的神经网络相比,本文的主要贡献在于:(1)提出了自优化神经网络的概念。1990年A.E.Fahlman和C.Lebiere提出了“级联相关学习结构”、1990年Y.Le Cun等提出了“最佳脑损坏”、1992年B.Hassibi等提出了“最佳脑手术”,神经网络的隐层节点和网络的层次随着算法自动的调节,使得神经网络的输出达到最小的误差。实际上,这几种网络给出了神经网络结构自优化的思想,本文将具有这种功能的网络归纳为结构自优化神经网络,简称自优化神经网络。(2)提出了一种新的自优化神经网络,即输入空间自优化神经网络。它不但能够优化神经网络的参数,同时也能优化输入空间。在不断调整神经网络输入空间的同时,神经网络的结构也不断的变化,使得神经网络的分类结果达到最优化。(3)本研究将输入空间自优化神经网络与实际应用相结合,证明了输入空间自优化思想的实用性和正确性。