神经网络是人们模仿人的神经系统信息处理功能的一个智能化系统。尽管它还不是大脑的完美无缺的模型，但它可以通过学习来获取外部的知识并存储在网络内，可以解决计算机不易处理的难题，特别是语音和图像识别、理解、知识的处理、组合优化计算和智能控制等一系列本质上非计算的问题。因此，神经网络技术已成为当前人工智能领域中最令人感兴趣和最富有魅力的研究课题。 本文首先介绍了神经网络理论的发展历史和应用领域，然后介绍了人工神经元网络的特点及目前应用比较广泛的几种典型的神经网络，并重点分析了当今最流行的BP网络的特性。 其次，针对BP网络存在的缺陷，结合前向神经网络和线性最小二乘法的优点，构造了一种基于混合结构的神经网络，提出了相应的非迭代的快速学习算法。该学习算法能够根据拟合精度要求，运用线性最小二乘法确定相应的最佳网络权值和线性部分的参数，并自动确定最佳的隐层节点数。与BP网络的比较结果表明，本文提出的混合结构前向神经网络的快速学习算法无论在拟合精度、学习速度、泛化能力、还是隐节点数均显著好于BP网络。 最后，针对某炼油厂催化裂化装置主分馏塔轻柴油凝固点的软测量估计问题，本文基于工业现场所采集的样本数据，建立了混合结构神经网络模型，并讨论该模型的在线自学习问题，同时与多层前向BP网络、径向基函数RBF网络模型进行了比较。在此基础上，将该混合模型应用于实际工业催化裂化装置主分馏塔轻柴油凝固点的在线估计问题。应用结果说明：该模型具有理想的预测精度，满足实际应用的要求，相信在软测量技术中具有广阔的应用前景。