本文主要针对具有复杂特性的非线性电子器件无法建立模型或模型复杂的问题,提出了基于神经网络的分段建模方法,并对BP神经网络结构优化问题进行了探讨。本文首先介绍了现有的非线性电子器件的建模方法,讨论了这些方法的优缺点。其次,介绍了神经网络,尤其是前馈网络中的BP网络及BP网络结构优化,并讨论了BP网络结构优化中存在的问题。之后,针对基于神经网络的非线性电子器件建模中,一些具有复杂特性曲线的非线性电子器件无法建立模型或模型复杂的问题,尝试了基于神经网络的分段建模方法。针对BP网络结构优化中隐层神经元选取困难的问题,尝试了隐节点自构学习算法。论文中以稳压二极管为例给出了该方法的总体思路和实现的全过程。本文主要包含两方面的研究内容:第一:给出隐节点自构学习算法,并通过大量实验证明,这种算法可以有效地选取最优隐节点数量。这为神经网络的结构优化提供了一种新的方法。第二:提出基于神经网络的电子器件分段建模方法。为实现该方法,首先,通过实验测得待建模器件的输入输出数据,再通过实验选取分段点。利用分段后的数据在MATLAB中分别对神经网络进行训练,达到误差目标后,即可获得能够逼近不同段特性的神经网络。训练结束后,记录各分段网络的权值W及阈值B,再将得出的分段网络结构用Pspice中的电路描述语言描述,由此建得各分段特性的器件模型。最后将分段模型结合为一个模型,即可获得完整的器件模型。这样就可以实现对具有复杂特性曲线的非线性电子器件进行建模,该方法对于器件建模和电路系统的仿真具有十分重要的意义。