从1943年神经元模型的提出到如今深度学习的兴起,神经网络已经经过了 70余年的发展,而神经网络也开始对人类生活产生越来越重要的影响,目前神经网络技术已被用于各种领域,比如计算机视觉、自然语言处理、语音识别、生物医学以及机器人控制等等,并且在各领域内也取得了一定的成功,然而目前关于神经网络的理论分析却并不多,本文基于此对用于神经网络的带动量项的反向传播算法的收敛性进行了理论分析,本文中所考虑的是一个三层的前馈神经网络模型,在该模型中,它的学习率是被设置为一个常数,而动量系数则被设置为一个适应性的变量,用来加速及稳定网络参数的训练过程,本文给出了其相应的收敛性结果,并且对给出的结论进行了详细地证明,此外,本文还做了两个实验,实验结果进一步地验证了本文结果的正确性;相比于目前已有的结果,本文的结论更具一般性,因为本文所考虑的网络输出层可以具有任意个数的神经元并且偏置项也被考虑在内。