人工神经网络由于具有并行计算、自组织、自学习的特性和全局逼近能力而受到人们的广泛关注，并已经被成功地应用于模式识别、图像处理、函数逼近、自适应控制等方面。BP神经网络是各种神经网络模型中最具代表意义的一种网络。 本文首先对BP神经网络结构及BP算法进行了综述，尤其对目前BP算法的改进动态做了系统的分析研究，在此基础上，本文提出了一种直接自适应BP算法，该算法着重改进了权值的调整方法，和标准BP算法和以学习速率改变为基础的算法相比，此算法缩短了学习时间，提高了学习效率，有效地避免了BP算法收敛速度慢、易陷入局部极小等缺陷。 其次，本文将改进的BP算法用于字符图像的识别，取得了良好的效果。为改善神经网络训练方法对样本的依赖性，本文提出了一种基于神经-模糊推论系统进行印刷体字符图像识别的方法，该方法具有识别率高及对噪卢不敏感的特性，仿真结果也证明其优于神经网络的识别方法。 再次，本文提出一种基于邻域灰度变化极值和神经网络的图像边缘检测新方法，该方法首先基于邻域灰度极值提取边界候选图像，然后以边界候选象素及其邻域象素的二值模式作为样本集输入对边缘检测神经网络进行训练。为加快网络的收敛速度，本文提出了滚动训练方法，实验证明本文提出的边缘检测新方法较之于已有的神经网络方法提高了学习效率，获得的边缘图像封闭性好，边缘描述真实。 最后，本文提出并实现了一种使用VB-Access-Matlab混合编程的神经网络模式识别系统，在系统中提出了基于数据库模式的神经网络数据存储架构，并为进一步形成基于图像数据库模式的神经网络数据存储架构奠定了基础。系统较目前普遍采用的方法更为简便、高效，且具有良好的模块化结构和司移植性以及透明性，经试验证明具有良好的效果。对于各种模式识别的情况，都具有较高的实用性和参考价值。