BP神经网络在函数逼近、模式识别、分类和数据压缩、数据挖掘、语音识别、文本/语言转换以及图像处理等方面有非常广泛的运用。但由于算法本身存在收敛速度慢且容易陷入局部极小等问题。很多研究者将BP算法进行改进以提高网络收敛速度,但对规模巨大的神经网络,可能需要经过上万次学习才能达到最终稳定状态,BP算法依然需要大量的计算时间。流处理器GPU由于具有廉价、低功耗、高浮点运算能力及更宽的带宽在图形处理领域获得了较快的发展,并且在密集计算、物理模拟、并行计算等领域获得了成功。但CPU与GPU由于体系结构等差异,传统基于CPU体系结构的串行BP算法并不能直接在GPU上面运行,而且传统的流处理器GPU编程是基于特定的平台、供应商或硬件,通用性不强。针对大规模神经网络BP算法效率低下问题,本文基于神经网络的数据并行性特点,提出了利用OpenCL技术的BP改进算法,该算法根据GPU作为计算核心的协处理器特性,采用主/从模式,主机端(CPU端)将样本数据组织成数据流输入到共享缓冲区或拷贝GPU内存区,将BP网络的前向计算、反向学习组织为内核(GPU端内核),每个流处理器单元都运行相同的内核实例对流入的样本数据进行学习,完成学习后主机端从共享缓冲区或GPU内存区取回试验结果输出,从而利用流处理器强大的浮点运算能力和高度并行的计算特性对BP算法进行求解。实验结果表明,在保证求解结果准确度不变的情况下,改进的BP算法相对于串行算法极大地加快了速度,同时也有效解决神经网络BP算法效率低下问题。对不同的运用领域我们可以将样本数据进行适当的组织后使用改进的BP算法加速,因此该改进算法具有较强的通用性和很好的实用价值。