人工神经网络由于其大规模并行处理、容错性、自组织和自适应能力和联想功能强等特点，成为解决很多问题的有力工具，并且已经广泛应用在函数逼近、系统识别和控制、信号和图像处理及时间序列预测等许多科学和工程领域。 在应用神经网络时，设计一个神经网络主要包括神经网络模型的选择及其参数的确定。传统的设计方法是根据经验来设计网络结构和确定网络的参数。神经网络的参数可以用许多方法学习得到，如误差反向传播算法，遗传算法，进化编程和随机搜索算法等。通常神经网络的结构决定着它的性能，网络结构是用节点之间是否连接的方式来表明的，但网络结构的设计目前还没有规律可循。由于所要解决的问题性质不同，神经网络使用的场合和要求也不一样。另外，神经网络可能的隐含层数目、每一层的结点个数以及他们之间的连接方式都是无界的，因此，结构空间是无限的，对其搜索十分困难，一般只能根据实际要求和设计者的经验选择一个较为理想的结构。 近年来，许多学者致力于实现神经网络结构和参数的自动优化的研究。本文研究的灵活神经树就是一种网络结构和相关参数自动优化的神经网络系统。 本文系统地介绍了神经网络、分布估计编程和神经树的基本理论、构成和实现方法，在总结前人研究的基础上，提出了一种用分布估计编程来优化神经树结构的方法，首次在优化神经树的结构时引入了结点之间的相互作用和联系。具体内容如下： (1)阐述了课题研究的意义，分析了当前该领域的发展动态。概述了神经网络的特点、产生和发展历史，着重介绍了神经网络的基本理论和发展历史，然后从理论和应用研究上综述神经网络的研究现状，总结了神经网络设计中的难点问题。 (2)介绍了分布估计编程。首先概述了分布估计算法的基本思想，介绍了分布估计算法的特点及其发展，然后详细阐述了分布估计编程的基本理论基础以及实现方法。 (3)研究了神经树的特点和实现方法。介绍了采用分布估计编程结合参数优化算法，如遗传算法、粒子群优化算法等来建立神经树模型的方法。 (4)将基于分布估计编程的神经树模型应用于时间序列预测和分类预测等领域。进行了各种仿真实验，如混沌时间序列预测和癌细胞分类预测等。实验的结果表明基于分布估计编程的灵活神经树模型比标准神经网络模型的预测结果更具有效性和可靠性。