BP网络虽然有简单的优点，但它的实质是基于梯度下降的算法原理，BP网络会有陷入局部最小的可能，进而会妨碍BP网络的学习，同时，网络泛化能力也要降低。此外，当BP网络解决比较复杂的问题时，人为地去设计网络结构不容易达到恰到好处的效果。遗传算法是人工智能的一个分支，应用广泛，具有很强的全局收索和优化计算能力，不依赖于梯度信息，适合解决高度复杂的非线性问题，并且，可以对问题进行大规模并行分布处理，可以很好的解决BP网络结构设计的问题。论文研究了神经网络的结构确定的基本方法，讨论了常规神经网络结构确定存在的问题和不足，分别研究了附加动量法、学习率自适应法、共轭梯度法、Levenberg-Marquardt（LM）算法在神经网络设计中的应用，提出变焦遗传算法和BP算法相结合的神经网络结构设计方法。考虑到BP网络存在训练速度慢、局部最优问题，而遗传算法在整体搜索策略和优化计算方面不依赖于梯度信息，特别适用于高度复杂的非线性问题；也因为遗传算法的并行性，使得它更适合大规模并行分布处理，结合遗传算法的优点，给出了基于遗传算法优化神经网络结构的可行性，并给出了二者结合的具体方法，仿真验证了所给方法的有效性。论文对遗传算法采用混合编码，设计一种自适应的遗传方法，让交叉概率和变异概率随着进化过程动态调整。然后，针对函数逼近问题用改进后的遗传算法去优化前馈神经网络的结构，提高了网络的收敛速度和网络的泛化能力，避免了局部极小点问题的出现。