人工神经网络作为数据建模的重要工具,被广泛应用在各个行业领域中。随着现代过程工业规模的扩大,生产工艺、设备以及生产过程复杂度也随之增加,简单模式的神经网络已经难以满足用户的需求,单一结构神经网络存在泛化性能有限、物理结构缺乏可理解性等问题,为了解决其局限性,繁衍出多种神经网络设计。本课题主要针对人工神经网络结构的智能性进行理论研究,总共涉及三部分内容：数据空间属性分析及处理、结构化神经网络模型设计以及人工神经网络性能优化。通过实现神经网络结构化学习实验平台的设计和开发,解决了神经网络黑箱性问题,削弱网络对专家知识的依赖性。平台核心内容是基于自联想神经子网和树形神经网络的两种新型的结构化神经网络。通过分别采用多组UCI国际标准数据集以及实际石化企业精对苯二甲酸(PTA)溶剂脱水塔装置的生产数据和高浓度聚乙烯降耗(HDPE)建模应用数据来验证课题研究内容。结果表明自动划分子网和由此生成的结构化神经网络具有很好的物理意义和实际有效性,大大提高了神经网络泛化能力和系统稳定性。因此,结构化神经网络研究对实际工业应用具有现实指导意义。