BP（Back-propagation）神经网络是目前应用最广、发展最迅速的人工神经网络，据统计，在人工神经网络的实际应用中，90%的人工神经网络模型是采用BP前向网络或它的变化形式。但是BP算法容易陷入局部极值而无法找到全局最优值。针对这个问题，本文提出两方面的改进：（1）用人工鱼群算法优化BP神经网络的权值和阈值；（2）模块化神经网络，把原神经网络拆分成多个神经网络模块。人工鱼群算法是李晓磊等人于2002年提出的人工智能优化算法，它能较快地找到全局最优，所以用人工鱼群算法优化BP神经网络的权值和阈值，通常能很好地克服BP神经网络的缺点。针对人工鱼群算法，本文做了以下三方面的改进：（1）提出基于聚类的鱼群初始化方法，使得产生的初始鱼群在寻优空间中均匀分布，从而更快地找到最优值；（2）对于鱼群的三个基本行为，引入了历史最优个体的信息，并且使用了启发式寻优的策略；（3）增加了逃逸行为。逃逸行为中，本文借鉴了遗传算法的交叉因子和变异因子，当人工鱼群陷入局部极值时能很好地跳出来。在实际应用中，当分类的类别数较多时，建立的BP神经网络的结构是非常复杂的，若建立不好就会使误分情况增多，从而导致分类精度下降。本文提出神经网络的模块化方法，把原BP神经网络拆分成多个神经网络模块，使每个神经网络模块将数据集分为两类，从而降低了原神经网络的复杂性。多个神经网络并行地对数据集进行分类，大大减少了网络训练的时间，并且每个神经网络都是处理两分类问题，从而提高了网络的测试精度。