在曲面几何特征逆求的数字化过程中，准确的缺损数据修补是实现曲面模型重构的前提，因而，越来越受到科研工作者、企业生产者和工程技术人员的极大关注。 BP神经网络是人工智能技术迅速发展与广泛应用于各工程领域的产物，因其在处理自然界中普遍存在的高度非线性和不确定性问题时，具有很强的非线性映射能力和独到的优点而备受各学科研究者的重视。至今，它已广泛应用于非线性建模、函数逼近、模式分类等方面，是应用最广泛的神经网络模型，工作良好，易于学习。 在本论文中，采用BP神经网络，对曲面几何特征数字化测量过程中产生的缺损数据进行修补。首先，阐述了数据修补的方法原理，即利用BP神经网络非线性映射功能，学习并记忆零件曲面的几何特征，对缺损数据进行修补。然后，进行网络结构和算法设计。在研究网络隐层结构后，用Matlab编制了神经网络修补程序，对比单双隐层结构的修补结果，确定了修补用BP神经网络的隐层数；在研究网络训练算法后，利用可视化应用程序开发工具Visual Basic，编制了相应的应用程序，通过大量的实验研究，确定了网络隐层节点数，设计了合理的网络训练算法，提高了网络的训练速度，减小了网络训练陷入局部极小的可能性。 对多种曲面缺损数据进行修补的实验结果表明，该数据修补方法通用性好、数据修补速度快、精度较高，因而具有较高的实用价值。