装备综合保障(综合后勤保障)工作是保证新研制装备在投入使用时即能得到有效保障且易于保障,从而能快速形成战斗力,降低寿命周期费用的主要途径。主要是解决装备寿命周期过程中与保障有关的问题,提供与装备匹配的保障资源并建立保障系统,以满足平时战备完好性和战时使用要求。由装备保障性引申出的装备保障性评估更是成为了保障性工程中重点工作。然而人工神经网络具有独特的联想、记忆和学习功能、并行处理、容错能力和任意函数映射能力,利用神经网络强大的学习功能可以解决系统的学习问题。因此,将人工神经网络的有关理论应用于装备保障性评估能够实现基于经验和知识数值化,在众多的神经网络中,又以BP(BackPropagation)网络的应用最为广泛,它所采用的BP算法己成为目前应用最为广泛的神经网络学习算法,绝大部分的神经网络模型都是采用BP算法或它的变化形式,但人们在使用过程中却发现,该类算法存在这样那样的局限,比如收敛速度慢,容易陷入局部极小值以及忘记旧样本的趋势,这些局限性严重影响了BP算法的应用。本文主要针对BP算法的缺点,从BP算法内部和初始权值优化这两方面进行改进。在BP算法内部,研究了加动量项和自适应学习率的BP改进算法,使得BP算法收敛慢和震荡的等缺陷得到改善。在权值优化方面从进化算法和BP算法融合的角度进行改进,提出了一种基于融合算法的BP神经网络改进算法模型。该算法解决了在有专家指导意见和无专家指导意见的两种情况下的装备保障性评估问题。在有专家指导意见下用AHP算法结合专家指导意见进行BP网络初始权值确定,在无专家指导意见情况下,用遗传算法+蚁群算法进行初始权值寻优。其中模仿蚁群算法解决TSP问题提出解决BP网络初始权值的蚁群算法,并根据MMAS(最大-最小蚂蚁)系统进行了蚁群算法的改进。并分析了遗传算法和AHP层次算法在对BP网络输入预处理上的优劣性。最后结合保障性工程数据对该融合算法模型作出了验证。