世界上有许多人存在听力损失,佩戴助听器是目前除药物治疗外主要的治疗手段,佩戴助听器之前需要对助听器进行验配,助听器验配工作需要选择合适的助听器验配公式以达到好的听力补偿效果。而目前的助听器验配工作对于不同的听力损失患者需要选择不同的助听器验配公式以达到最优的验配效果,这给助听器的验配工作带来了极大的不便,因此本文提出了一种基于人工神经网络的助听器验配公式来解决这个问题。本文通过对验配助听器所需的关键参数进行特征提取确定了听力损失患者各频率的听阈、基本信息作为神经网络的输入,各频率的增益值作为神经网络的输出。参考了各种神经网络的特点确定了本文神经网络的结构为全连接神经网络,在Tensor Flow平台上搭建神经网络结构,通过修改激活函数、隐含层节点数、学习率对神经网络进行一系列的训练与优化,并分析、比较了该助听器验配公式、现有助听器验配公式计算的增益与收集的测试数据中的预期增益之间的平均误差。结果表明,本文提出的验配公式预测的小声增益与预期的小声增益之间的平均误差为1.32 d B,传统POGOII、NAL-R、NAL-RP验配公式计算的平均误差分别为6.41、3.54、6.19 d B;本文提出的验配公式预测的大声增益与预期的大声增益之间的平均误差为1.49 d B,传统Fig6、NAL-NL1、NALNL2、DSL[i/o]验配公式计算的平均误差分别为3.67、3.61、2.66、4.67 d B。为了验证该助听器验配公式的实际验配效果,本文邀请了11位听障患者来进行助听器验配效果测试。其中包含对听障患者验配助听器后进行的客观测试和主观测试。通过自行开发设计的助听器和相关验配软件来对听障患者进行助听器验配,并由本文提出的验配公式预测的大小声增益值对助听器进行调节。客观测试结果显示,11位听障患者（22只耳朵）的听阈和言语识别率都得到了较好的改善,22只耳朵的平均听阈平均降低了32.27 d B,言语识别率平均提高了21.45%。主观测试结果显示,相比于目前市场常用的Fig6、NAL-NL1、DSL[i/o]验配公式,更多的听障患者喜欢选择本文提出的助听器验配公式和NAL-NL2验配公式来进行助听器验配,与软件预测的情况基本相符,因此验证了本文提出的基于人工神经网络的助听器验配公式的可靠性。