BP(Back Propagation)算法是训练多层前向神经网络的算法中最常用、在实际应用中效果最好的一种。标准BP算法应用甚广，解决了许多的实际问题，但同时它也存在着诸如在收敛过程中容易陷入局部最小点、收敛速度很慢以及网络的结构参数(隐层数、隐层单元)和运算参数(步长、非线性函数的选择)等都尚无公认的理论指导等问题。虽然已经提出了许多对标准BP算法的改进方法，但目前还没有一种改进方法能够得到研究者们的公认，因此对标准BP算法的改进仍然需要大量而细致的研究工作。 本文提出一种对标准BP算法进行改进的方法，与大多数改进算法不同，本文提出的改进算法一方面修改网络节点作用函数，通过动态调整节点作用函数的陡峭度来加快网络的收敛；另一方面，在BP算法中增加动量项。在训练过程中，动态调整节点作用函数的调节因子，使学习率和动量项的惯性因子等参数成为误差E的函数，根据误差的变化动态的做出参数自调节，既加快了网络的学习速度，又避免了陷入局部最小点，而最终达到全局收敛。通过对改进的BP算法进行的MATLAB仿真结果表明，改进的算法达到了预期的目的。 农业是一个复杂的大系统，农作物的生长受多种因素的制约，而影响农作物长势的一个主要因素是病虫害，如果病虫害不能得到及时防治将造成农业经济上的重大损失。要及时防治必须预测准确，人工神经网络则能够解决农业系统中的关系复杂、边界模糊、不确定性强等难于用规则或数学模型来严格描述的问题。因此，在文章的最后，构建了一个基于本文提出的改进的BP算法的神经网络模型来预测棉花棉铃虫病虫害，通过对此神经网络的MATLAB仿真表明，预测准确，达到了很好的效果。