人工神经网络(Artificial Neural Networks，ANN)是一个高复杂度的非线性系统，虽然从形式上模拟了人脑的学习结构，但由于所依赖的生物学理论基础尚不完善，因此人工神经网络不仅功能上远远没有达到预期的接近于人脑学习能力的目标，而且对于现有神经网络模型的工作机理也不明确，使神经网络模型的研究和性能的改进也就变得越来越困难，应用领域也受到一定的影响。 我们的研究以构建更有效的人工神经网络模型为目的，以神经网络的工作机理分析为基本出发点，采用非参数化的决策树(Decision Tree)与传统人工神经网络结合的方法，研究神经网络的结构设计方法，并进一步探讨了人工神经网络的增量学习算法。