人工神经网络(Artificial Neural Network,ANN)是利用计算机模拟生物神经组织的非线性系统。它具有强大的自组织性、自适应学习、并行处理及高容错性能。到目前为止,众多学者已经提出了几十种神经网络模型,并将其成功地应用于许多领域之中。BP网络作为应用最广泛的神经网络,具有结构简单、技术成熟的优点。然而BP算法是基于梯度下降的方法,存在着网络收敛速度慢、易陷入局部极小点等问题。本文首先对人工神经网络的发展过程、基本原理、学习方式、分类及应用作了较为详细的分析,探讨了BP算法的原理、学习过程及存在的缺陷,并介绍了国内外对BP算法改进的研究现状。在对BP算法进行了深入分析的基础上,提出了一种综合改进的算法,即将自适应调整学习率方式与动态调整激活函数方法相结合。在该算法的每次学习过程中,根据误差变化情况对学习率和激活函数进行动态调整,从而提高算法的收敛性能。实验证明,本文提出的综合改进BP算法能够有效提高网络的收敛性能。最后,本文将改进后的BP神经网络应用于商品出口的预测中。建立了基于改进BP神经网络的商品出口预测模型,对商品出口额进行了预测,并与其他常用的预测方法进行了对比研究。结果表明,基于改进BP神经网络的预测模型较其他预测方法得出的结果有更高的准确性。