网格计算是构筑在Internet上的一组新兴技术，利用共享网络将分散在不同地理位置的计算资源、存储资源、数据资源组织成一台虚拟的超级计算机，提供强大的计算能力，能用于解决复杂的科学与工程计算问题。而人工神经网络通常被认为是一种旨在模仿人脑结构及其功能的信息处理系统，以其自组织、自适应、自学习和并行处理等特点以及预测、联想存储和高速寻优等功能而被广泛应用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等领域。这种应用的广泛性也使得人工神经网络成为了当今的一个热门研究领域。但是，随着科研的发展，海量的数据处理需求对神经网络模型的数据处理能力提出了严峻的挑战，而网格技术的出现和发展为解决这一问题提供了有效的途径。因此把网格计算应用到神经网络系统中以提高神经网络的数据处理能力和效率是本文所要研究的主题。 在阐述网格计算、人工神经网络和BP算法等相关理论后，本文详细地描述了基于GridGain，并结合JDK、Eclipse等软件在小型实验室条件下构建网格计算环境的过程。接下来，基于网格计算环境用面向对象的方法结合UML类图工具设计和实现了BP神经网络模型，并且通过网格任务类、网格化BP算法类、网格任务接口的设计、类的序列化等操作，实现了BP神经网络的网格化扩展。 进一步，为了验证网格环境下神经网络模型和传统模型相比具有更强的数据处理能力和效率，本文设计了一个模式识别的实验，实验结果也证实了这种网格化神经网络模型的有效性。同时对实验中需注意的问题进行了分析和探讨，包括偏置值的引入、权值和偏置值的初始化、学习率和隐层节点数等参数对网络收敛速度的影响、模型的适用性等，并提出了进一步的改进设想，对后续研究进行了展望。 本研究利用GridGain、Java和面向对象等工具或方法来设计和实现基于网格计算环境的BP神经网络，对于获取大量计算能力来处理大规模模式识别、分类和预测等问题有一定的应用价值和指导意义。