近年来,神经网络以其较强的自组织学习能力、容错性、鲁棒性及非线性处理能力等优点在诸多领域广泛应用。其中,BP网络(误差反向传播网络)是最为成熟和应用较为广泛的一种。本文首先对BP神经网络实际运用中遇到的一些问题进行讨论。包括样本的收集和预处理、拓扑结构的确定、训练学习过程中的局部极小问题,动量项的添加、学习因子的确定等问题,并讨论了这些对网络性能和泛化能力的影响。通过相关试验,进一步验证和研究了这些问题。然后将BP神经网络应用到车牌识别系统,提出了基于灰度归一化预处理的神经网络车牌字符识别方法。传统车牌识别方法在输入神经网络之前一般对图像进行二值化分割。目前,二值化方法大都存在阈值不好确定的问题,当场景光照不均匀时,二值化分割会使字符笔画模糊不清,使字符信息部分丢失,给后续识别带来困难。灰度预处理算法把背景和目标灰度值分布不同的字符图像转换为背景和目标的灰度值分布大致相当的灰度图像。实验中,对识别率、识别错误原因、识别自适应性等都做了统计分析,还与采用主成分分析(PCA)的识别方法进行了比较。实验表明,该方法切实可行,能够获取较好识别效果。本文还将BP神经网络应用到红外焦平面非均匀校正。对基本的神经网络自适应算法提出了添加动量项、归一化校正参数和加入自适应学习因子的改善算法。并采用模拟红外图像对算法进行测试,获取较好校正效果。最后,还对神经网络应用中的一些心得体会做了总结。