BP神经网络是一种多层神经网络，其权值调整原则是按照误差梯度下降原则进行调整，该神经网络具有很强的自适应及容错能力，在解决模式识别及预测问题时常被作为重要的工具来使用。不过，基本的BP神经网络具有一些先天的固有问题，像收敛速度慢导致训练时间很长，误差易于陷入局部最小值，学习率和动量因子的选择决定了网络的收敛性能，网络结构难以确定等，这些问题对BP圣经网络的推广使用带来了极大的阻碍。常常使用针对固有缺陷改进后的BP神经网络来解决实际问题，改进后的神经网络一般都能克服基本的BP网络的一些问题，比如缩短训练时间，并且样本拟合率更高，在预测问题的应用中，预测准确率往往更高。　　BP（Back-Propagation）神经网络分为输入层、隐层和输出层，同层结点之间没有连接，层间结点之间实行全连接，每层结点的输出只影响下一层结点的输入，网络的信息传播过程包括正向传播和逆向传播，正向传播指的是输入信号由输入层通过激活函数的作用向前传播到隐含层，隐含层结点经过激活函数再把信息传播到输出层的神经元结点。逆向传播是指通过计算输出层神经元结点输出值与期望值的误差，该误差信息再沿着相反的路径返回，在返回过程中修改各层的权值和阈值来使误差值逐渐缩小。　　本文提出了一种改进算法，主要针对BP神经网络的输入样例的预处理阶段。首先阐述了人工神经网络的发展过程及BP神经网络存在的缺陷，简单介绍BP神经网络的研究现状。然后再重点介绍了BP神经网络的基本原理和目前研究人员提出的各种改进算法。随后，介绍了预处理样本数据的方法，重点介绍数值归一化算法，由此提出本文的研究内容，对其中的线性归一化方法进行改进，即首先统一样本数据的各个字段值的数量级，然后再使用数值归一化方法进行处理。将改进后的预处理算法应用于实验分析，在实验中证明该算法的确可以很好的改进BP神经网络的训练效率和预测准确度。