区域创新能力日益成为衡量一个地区的国际竞争力和经济发展实力的重要指标,十九大报告中明确指出“创新是发展建设创新型国家的首要动力”。同时为落实“互联网+”理念,实现互联网发展与区域创新能力相结合成为近年来研究的热点。传统的创新能力评价方法缺乏对评价指标重要程度的判断,指标权重的确定极易受主观因素的干扰,致使其缺少合理性及客观性约束。且研究方法多使用单一神经网络模型,存在易陷入局部极小值、学习收敛速度慢等问题。在此背景下,本文在传统BP神经网络(Back Propagation,BP)的基础上,通过决策树和遗传算法分别对神经网络的结构和初始权重进行优化,以此构建了基于决策树遗传算法的BP神经网络(Decision Tree Genetic Algorithm-BP,DTGA-BP)评价模型,旨在提高评价结果的精确性,为区域创新能力评价提供新思路。本论文首先在研究创新能力相关文献的基础上,通过对区域创新能力评价指标进行分析,并结合信息增益特征选择方法确定了最优特征组合,最终构建出评价指标体系。实验结果表明使用最优特征组合,可以增加BP神经网络模型的预测精度,有效降低噪声数据的影响,提高评估的稳定性。其次利用组合赋权方式,将层次分析法与熵权法相结合确定指标权重,避免了传统的平均加权法在分配权重时存在的随意性问题,使得对各指标权重的判断更加合理准确。然后本论文设计了一种DTGA-BP神经网络的区域创新能力评价模型。该模型通过改进传统自适应遗传算法的选择、交叉和变异算子,解决了神经网络存在的初始权重赋值随机性的问题,通过决策树算法确定神经网络隐藏层节点的数目从而降低了模型结构的复杂度。实验结果表明,本文提出的基于DTGA-BP神经网络模型的评价方法相比传统的主观评价法更为科学;在预测精度方面,DTGA-BP神经网络模型比单一BP神经网络模型提高了41%,比GA-BP神经网络(Genetic Algorithm-BP,GA-BP)模型提高了20%,并且模型的稳定性、收敛效果较好。最后对区域创新能力评价的原型系统进行设计与实现。阐述了系统的需求分析、数据库设计、核心模块设计三个方面,其中核心模块主要为BP神经网络模型管理模块和区域创新能力评价模块,初步实现了区域创新能力评价的原型系统,为区域创新能力的评价提供了实用的管理工具。