本论文从神经网络基本理论出发，重点研究了神经网络泛化方法的自构形算法。自构形学习算法是在BP算法的基础上形成的一种多层前向神经网络的相关性剪枝方法，通过引入相关系数和分散度概念，考察隐节点输出之间的相关性，完成对隐节点的删除和合并操作，实现精简网络结构的目的。由于自构形算法的合并规则计算采用线性回归处理，而实际中常常是复杂的非线性关系，为此，本文以多项式回归代替线性回归，提出基于多项式回归的自构形算法，并结合动量BP算法(MOBP)加速自构形算法的收敛速度，即快速自构形算法。而实验中发现，在自构形算法运行参数一定的情况下，对具有相同或不同隐层节点数目的多个网络进行分别剪枝后，得到的精简网络通常含有不同的隐层节点数目，即存在网络结构收敛不一致现象，其主要原因是初始权值和偏置值的随机性。为此，在自构形算法、随机度概念、分治算法思想的基础上，提出循环自构形算法，来解决自构形算法收敛不一致问题。在对风机的故障机理分析的基础上，以国内某著名汽车制造厂的离心式风机为实例，建立了一个基于循环自构形算法的风机故障诊断模型，以各测点振动信号频谱中9个频段上不同频率的谱峰能量归一化的矢量为网络的输入矢量，以故障模式为输出矢量，利用Matlab软件进行仿真实验，实验结果表明： ●循环自构形算法能够有效的解决网络结构收敛不一致的问题，这是自构形算法所不具有的性质。 ●循环自构形算法能够收敛于最精简(或其附近)的网络结构，这是自构形算法所达不到的。 ●利用循环自构形算法将网络剪枝后，网络所表达的知识的复杂度将大大降低，因而网络具有更加有效的故障模式的知识表达形式。