随着神经网络技术的发展,结合实际应用中大多数系统的输入往往是一个过程的实际情况,何新贵院士提出了过程神经网络的概念,证明了过程神经网络模型的连续性定理、逼近定理、计算能力定理等有关的理论问题,给出了基于正交基展开的的过程神经网络反向传播学习算法及过程神经网络在石油地质、化学反应等领域的应用实例,奠定了过程神经网络的研究基础.由于过程神经网络的研究处于起步阶段,还有很多问题有待于解决,尤其是网络的学习与泛化、权值基函数的选择及如何提高学习速度和泛化能力等问题亟待进一步深入研究.针对上述情况,该文从学习算法、泛化能力及实际应用几个方面进行了研究,完成了下面几个方面的工作.首先针对基于梯度下降的过程神经网络算法中存在的缺欠,进行了分析,将遗传算法引入到前馈过程神经网络的学习训练中,给出了BP算法与遗传算法结合的前馈过程神经网络混合遗传算法.对于具体的应用机理、混合遗传算法在前馈过程神经网络中的实现及参数选择原则进行了详细阐述,利用遗传算法的全局搜索能力及高度并行性的优势,解决了以往基于梯度下降算法学习的前馈过程神经网络中存在的问题.其次对于前馈过程神经网络的网络结构进行了分析,对过程神经元隐层及一般神经元隐层的作用机理及各自的特征抽取能力进行了深入的讨论;对前馈过程神经网络的泛化能力及影响其泛化能力的因素进行了研究,特别针对前馈过程神经网络的网络结构中的隐层数、隐节点数对其泛化能力的影响进行了深入探讨,给出了一种过程神经网络结构构造算法,并利用一个实例说明了构造算法有效性.最后,针对前馈过程神经网络广泛的应用前景,应用模块化程序设计思想,设计了基于MATLAB软件的前馈过程神经网络学习算法工具箱,包括混合遗传算法、简单遗传算法、自适应遗传算法、BP算法和改进的BP算法,为工程技术人员提供了工具.作为该文理论研究成果和工具软件的具体应用,结合林业木材生长密度预测的具体问题,建立了短期和长期的木材生长密度前馈过程神经网络预测模型,为木材的合理利用提供了有价值的依据.