论文首先介绍了神经网络的相关内容，然后重点研究了神经网络在综合评判和手写数字识别中的应用，最后做了总结和展望。　　 综合评判已被广泛应用于社会、科学、管理等众多领域，其评判的方法有很多，主要包括模糊综合评判法、层次分析法、专家评定法等，但是权重和隶属度的确定一直是综合评判的两大难点，很多方法带有较强的主观因素，这些主观因素影响了最终的评判精度。为了得到更加客观合理的权重和隶属度，提高评判精度，本文利用模糊神经网络的学习来调整综合评判的权重和隶属度。将此神经网络用于继电器的动态特性评判中，得到了更加客观合理的评判结果。　　 手写数字识别应用非常广泛，识别的方法有很多。因为BP神经网络可以逼近任意的非线性映射，并且具有很强的自适应性、自组织性等，因此在手写数字识别领域被广泛采用。但是它存在收敛速度慢，易陷入“局部极小值”等缺陷，因此学者做了大量改进，关于学习速率的改进中较常见的是VLBP算法。但VLBP算法存在学习效率低、收敛不平稳等问题，本文针对此问题，对学习速率进行了改进，建立了误差E和学习速率η之间的函数关系，即采用连续动态的自适应学习速率。仿真结果证实该改进学习速率算法相比VLBP算法．收敛速度加快，收敛过程更加平稳。把改进学习速率的BP算法用于手写数字识别，取得了较好的识别效果。　　 标准BP算法的激励函数一般采用Sigmoid形函数，但是网络易陷入局部极小值，因此本文对Sigmoid激励函数进行了改进，即判断哪个样本对出现了okp≈0或者（1-okp）≈0，对这个样本对直接修改参数值，把接近于0的okp改为tkp-okp，或者把接近1的okp改为1-（tkp-okp），通过这样改动即可避免网络陷入局部极小值。在手写数字识别过程中，由于单个特征的识别率比较低，所以本文将所提出的九段投影特征与点特征组合，形成了一种新的组合特征，这种新的组合特征结合了统计特征和结构特征的优点。将组合特征用于改进的网路中，识别率明显提高了很多。