人工神经网络和遗传算法作为人工智能的两大分支，在近几年来，无论从理论还是应用方面都得到了长足的发展。由于人工神经网络中的BP神经网络结构简单，可塑性强，具有良好的自适应、自学习、极强的非线性逼近、大规模并行处理和容错能力等特点，自1986年Rumelhart等人提出以来，被广泛应用于系统建模、模式识别、地震勘探等重要领域。而BP算法数学意义明确，步骤分明，是神经网络中最为常用、最有效、最活跃的一种方法。 本文首先分析了神经网络和遗传算法的发展和应用现状，以及遗传算法的基本概念、构成要素、运算过程、特点、理论基础和基本遗传算法所涉及到的内容的研究，并将其应用于优化前馈型神经网络的连接权问题。其次，研究了人工神经元的相关理论以及人工神经网络的特征、人工神经网络学习规则和BP神经网络的相关理论和性能。第三，针对BP神经网络局部搜索能力强、全局搜索能力差和基于遗传算法的神经网络全局搜索能力强、局部搜索能力差的特点，本文提出了一种集BP算法和遗传算法优点为一体的混合智能学习法，并将其应用到优化多层前馈型神经网络连接权问题。该方法集神经网络、遗传算法和BP算法优点于一体，并从理论和实践两个方面论证了其可行性和实用性。最后，用VC++语言设计了BP神经网络、基于遗传算法的神经网络和混合智能学习法神经网络实现和进行计算机仿真运行程序，并分别将它们应用于解决异或、函数拟合和高分辨率地震资料解释等问题，从实践中证明混合智能学习法神经网络与BP神经网络和基于遗传算法的神经网络相比有更好的运算性能、更快的收敛速度和更高的精度。