神经网络是从生物神经元演化而来,神经元通过分层连接成统一的网络,神经网络里研究最成熟、应用最广泛的就是误差反向传播BP神经网络,通过调整网络中大量节点之间相互连接的关系,达到信息处理的目的,解决网络分类的问题。在这样一个教育事业快速发展的年代,谁能快速的掌握教育信息,学到科学知识,谁就能掌握未来。因此,如何将自主学习应用到研究比较成熟的神经网络领域,这是一个新的挑战。由于网络中连接各层的权值和阈值随机产生,网络结构和隐含层节点的个数缺乏严格的理论依据,样本数据的选择对网络学习也会产生影响,这些都影响了算法的非线性映射和泛化能力,造成网络陷入局部极小值和收敛速度十分缓慢。针对算法自身的缺陷,根据BP算法的基本原理,结合自主学习的特点及自主学习研究的基本模型,本文构建了自主学习神经网络模型,提出了具有寻找全局最优值的自主学习神经网络ALBP算法,并且对算法中比较重要的激励函数进行改进,加入神经元学习误差函数,对权值的变化增加了松紧变量,让学习率动态变化等,从而利用改进BP算法的自主学习神经网络ALBP算法解决问题。本文在影响BP神经网络非线性映射和泛化能力的网络结构、隐含层神经元个数、网络权值和阈值、网络误差、激励函数和学习率等方面都做了一定的改进,构建了自主学习神经网络模型,提出了自主学习神经网络算法,并对全国高等学校大学生招生人数和毕业生就业率两组模型进行了仿真实验,对预测出的招生人数、就业率和实际值进行了对比。两组模型实验的结果表明：自主学习神经网络算法比标准BP算法、增加动量项的BP算法和粒子群算法在算法收敛速度、预测精度、泛化能力等方面要更加出色。