生物的大脑是一个庞大的计算系统，其计算能力逐渐被人们所认识和掌握，模拟生物大脑功能提出的神经网络理论正是人们认识大脑功能的强有力证据。自从Hopfield教授利用神经网络成功解决TSP问题以后，神经网络庞大的计算能力已经被很多学者公认。新的研究成果表明，具有生物特征或者自然特征的神经网络模型是生物大脑功能强有力的模拟工具，其强大的计算能力是传统的神经网络所无法比拟的。路径优化是现代工业常常遇到的技术难题，长期以来吸引了很多研究者的高度重视。传统的解决方法是采用经典的启发式迭代算法，如Dijkstra算法等。在问题规模较小的时候这些方法具有极高的效率，但当问题规模较大时往往显得能力不足。故障诊断技术是一门以数学、计算机、自动控制、信号处理、仿真技术、可靠性理论等有关学科为基础的多学科交叉的边缘学科，已成为一门独立的跨学科的综合信息处理技术，是目前热点研究领域之一。本文在对神经网络进行理分析的基础上，研究解决路径优化问题和故障诊断问题的新思路。本文主要研究神经网络在路径优化问题和故障诊断问题中的应用，主要内容包括：　　 ⑴神经网络理论方面，在严格数学推断的基础上，对非饱和激励函数的回复式网络进行理论分析，研究其多稳定特性。给出二维网络多稳定的条件，提出了一种具有Winner-Take-All特性的回复式神经网络模型，并成功地将其运用到方向优化选择中。　　 ⑵脉冲神经网络方面，在现有研究的基础上，结合自然界波传递的特征，研究设计两种能产生波传递特性的脉冲神经网络模型，并从理论上探讨其实际优化能力，从而为脉冲神经网络的进一步应用提供必要的理论基础。　　 ⑶路径优化方面，在脉冲神经网络改进模型的基础上，研究解决计算最短路径问题的新算法，并利用模型波传递的特性成功解决最短路径树的计算问题。实验结果证明，在网络规模较大的时候，所提出的方法效率极高。　　 ⑷故障诊断方面，在深入分析多种神经网络模型的基础上，研究多层神经网络集成技术在故障诊断系统中的应用。提出了两种不同的基于多层神经网络融合技术的远程故障诊断方法，并利用飞机起落架制动系统的典型数据对新方法进行了模拟测试和实验对比。