人工神经网络是近些年研究的热点,在模式识别、语音识别和人脸识别以及自然语言处理等很多的领域都受到了广泛的应用和重视,并取得了非常快速的发展。而网络中的隐层节点个数的选择是至关重要的,因为它影响着网络性能的好坏,进而影响着在实际中的应用,因此是众多学者研究的重点内容。故在本文中主要对两种前馈神经网络的隐层节点个数进行研究。BP神经网络是我们经常使用的前馈神经网络之一,在2004年黄广斌等人又提出了极限学习机（ELM）。截止到目前,关于这两种前馈网络的隐层节点个数的比较却没有一个较完整的说明,故本文首先研究了ELM与BP神经网络在测试精确度达到局部最优时所需的隐层节点个数,以及隐层节点个数对这两种单隐层的前馈神经网络性能的影响。从数值试验可以得到在测试精确度达到局部最优时,ELM所需的隐层节点个数比BP神经网络要多一些,但在训练时间上却要少一些,且随着隐层节点个数的增多,两种网络的网络性能具有相同的变化趋势。对于ELM来说,隐层节点个数的选择至关重要。隐层节点的个数影响着网络的性能,我们为了保证网络性能,往往会选择比较多的隐层节点个数,但是ELM的隐层节点个数过多,网络结构就会比较复杂。故为了简化网络结构,本文提出一种改进的带有L_1?2正则项的ELM算法,引入了隐层与输出层之间的权值的L₁范数,形成了一种改进的L_1?2正则化方法,并用一个变量阈值去修剪隐层节点个数。数值试验表明,在保证性能的基础上,改进算法使得网络有更少的隐层节点个数,结构更加稀疏。