近年来，神经网络的研究得到了异常迅速的发展。神经网络的特征充分显示了其在解决高度非线性和严重不确定性系统的巨大潜力，在各门学科领域中都有重要的意义。在神经网络中，多层前馈神经网络是应用最重要的一种网络，己经广泛应用于函数逼近、图像处理、模式识别、自适应控制等方面。 目前神经网络的理论和应用都还存在一些困难，如局部极小点、过学习、欠学习以及泛化能力等问题。在诸多实际应用中，泛化能力，即网络识别训练集以外样本的能力被认为是衡量神经网络性能的最重要指标，没有泛化能力的网络是没有任何实用价值的。正因为如此，泛化能力已经成为近年来国际上十分关注的理论问题，引起国内外学者的广泛研究。 本文首先简要介绍了神经网络的基本知识，综述了国内外就如何提高网络泛化能力的主要方法，然后从对样本的改造和相应学习算法以及网络结构的改进几个方面对神经网络进行优化，最后用改进的神经网络处理电磁应用中的问题。 本文的主要工作如下： (1) 介绍了神经网络研究历史及国内外对如何提高网络泛化能力提出的主要方法，综述了国内外就如何提高网络泛化能力的主要方法，并对前馈神经网络的工作原理进行了描述。 (2) 在对样本进行预处理的基础上，结合信息论中的信息熵理论或互信息方法来改进误差函数，使泛化能力得到加强；为了加快收敛速度，在训练过程中加入了动量项。 (3) 采用了双隐蔽层的神经网络模型，构造一个自适应网络，这种网络能在学习过程中自动寻找达到误差要求的合适的网络结构，进一步提高了网络的泛化能力；另外规定权阈值的范围以加速收敛的速度。 (4) 应用改进误差函数的前馈神经网络对波导终端匹配负载进行结构设计并给出实验结果。以波导结构的参数作为神经网络的输入，以反射系数S11参数作为神经网络的输出。试验结果表明利用神经网络进行该模型的结构设计比数值方法快，且建模简单，精度较高，系统的鲁棒性较强。 (5) 应用自适应网络结构的前馈神经网络对超宽带微带扇形耦合环天线的结构进行优化设计，在设计过程中以天线的结构参数作为神经网络的输入，以天线的带宽作为网络的输出。实验结果表明，以神经网络找寻的最佳结构的扇形天线具有很好的带宽和良好方向图。仿真实验结果显示，本文的方法能有效地改善神经网络的泛化能力，且通过改进的神经网络成功实现了对矩形波导匹配负载和扇形超宽带天线的优化设计，验证了本文算法的有效性，拓展了神经网络的电磁应用。