对于任何建模问题,估计给定模型的可靠性都是非常重要的。本文首先介绍了一个估计神经网络模型输出的置信区间的有效方法,本方法基于线性最小二乘理论和非线性模型输出的线性台劳级数展开。在研究如何为线性模型构建置信区间的基础上,推导出为非线性模型构建近似置信区间的方法,并将这些已知理论扩展到神经网络的建模过程中。结论说明非线性模型输出的台劳级数展开不仅可以提供对神经网络模型任何有效输入的置信区间,而且提供了检验模型是否病态的工具,并可以通过ALOOS(近似逐一剔除法性能指标)估计模型的性能。然后本文以神经网络模型输出的置信区间为依据研究如何用最少的观测数据对构建和选择出最有效的神经网络模型。本文通过综合考虑和运用那些平时单独使用的统计学工具,提高非线性建模中神经网络模型构建和选择的效率。我们所使用的统计学工具包括神经网络备选模型的条件数分析,假设检验,交叉验证等。本文对所提出的各个方法进行综合比较和分析,进而判断它们分别应用在神经网络模型构建与选择过程的哪个阶段是最有效的。在此基础上,提出了一种新颖而且系统的神经网络模型的构建与选择策略,并最终通过仿真试验来说明这个策略的有效性。研究的结果表明,统计分析应该成为神经网络模型构建和选择过程的必要组成部分。