神经网络已广泛应用于模式识别、信号处理、图像处理等智能化信息处理领域,但网络的性能主要由网络的学习算法和网络的结构所确定,因此结构优化是神经网络研究的重要内容。神经网络剪枝是优化神经网络结构的一种主要方法,它通过删除一些不必要的节点或权值减小网络结构复杂度、提高网络性能。灵敏度分析能反映网络中节点或权值间相互关联度,因此可为神经网络的剪枝提供理论基础。本文对基于灵敏度分析的神经网络剪枝方法做了较深入的研究,主要内容及结果如下:(1)研究神经网络结构优化的方法,总结归纳已有神经网络剪枝方法的优缺点;(2)讨论灵敏度分析在灵敏度剪枝方法中的应用,并探讨将互信息指标灵敏度分析用于神经网络剪枝的可行性;(3)给出了根据互信息指标判断并排列节点重要性的方法;进而,提出基于灵敏度分析的神经网络输入层节点剪枝方法,并通过实验验证该方法能选出重要的输入层属性;(4)提出基于灵敏度分析的神经网络隐层节点剪枝方法,确定网络隐层的节点数,并将该方法应用于函数逼近和模式分类等问题,验证方法的有效性。最后,本文对所做的研究工作做了总结,并对今后神经网络结构优化方法的研究进行了展望。