BP（Back Proragation）网络是人工神经网络模型中最典型、应用最广泛的一种网络模型。然而，BP网络网络结构的确定目前还没有一个固定的模式；其学习算法目前虽然有很多的改进，但还是难以摆脱易陷入局部极小点、收敛速度慢等缺点，这些问题严重影响了BP网络的性能和其应用的推广。本论文提出了一种基于嵌套的分式线性BP网络双遗传优化学习算法，对标准BP算法预测精度较低的问题做了一定的改善。改进算法的具体内容分为以下3部分：1．分类。假设输出神经元个数只有一个，把训练样本和检验样本根据输出神经元的大小进行分类。从训练样本和检验样本的实际考虑，这里规定一个原则：对于给定样本集，使得分类后的每一类训练样本的个数基本相同，每一类检验样本的个数相差不大。并且使得符合上述原则的分类类别数假定为最优类别数。这样我们就得到了最优分类，本文预测模型选取最优分类为4。2．训练。对于已经分好类的每一类样本，看成一个独立的样本集，再用神经网络对其进行训练。在进行训练前，对BP网络进行了一系列改进：采用二进制编码遗传算法对网络结构，即隐含层神经元个数进行优化，在得到最优网络结构后，把隐含层线性输入函数改进为分式线性输入函数，并且采用实数编码遗传算法对网络的初始权值和阈值进行优化，最终得到训练后的网络。3．预测。由于本文讨论的分类类别数较少，可以把预测样本带到所有类中进行检验，得到那个最优的预测值及所属的类别。通过仿真实验，以预测样本41号和42号为例，可得仿真结果如下：如表4所示，在第一类中实际输出值与期望输出值误差最小，因此样本41和42属于第一类，与实际情况相符合。由表5可知，本文改进算法预测值的相对误差只有1.56%和3.92%，相对于其他优化算法来说优化精度非常高，对于实际需求中高精度要求的问题解决有着重要的实际意义。