P神经网络是一种多层神经网络，其权值调整是按照误差梯度下降原则进行调整，具有很强的自适应及容错能力，常被作为重要的工具来解决模式识别及预测问题。不过，基本的BP神经网络具有一些先天缺陷，像收敛速度慢导致训练时间长，误差易于陷入局部最小值，学习率和动量因子的选择决定了网络的收敛性能，网络结构难以确定等，这些问题对BP神经网络的推广使用带来了极大的阻碍。使用针对固有缺陷改进后的BP神经网络，一般都能克服基本BP网络的一些问题。 BP（Back-Propagation）神经网络分为输入层、隐层和输出层。同层结点之间没有连接，层间结点之间实行全连接，每层结点的输出只影响下一层结点的输出。网络的信息传播过程包括正向传播和逆向传播，正向传播指的是输入信号由输入层通过激活函数的作用向前传播到隐含层，隐含层结点经过激活函数再把信息传播到输出层的神经元结点。逆向传播是通过计算输出层神经元结点输出值与期望值的误差，该误差信息沿着相反的路径返回，在返回过程中修改各层的权值和阈值来逐渐缩小误差值。 本文提出了一种改进算法，主要在BP神经网络的输入样例的预处理阶段统一样本数据各个字段值的数量级，即在将数量级差别很大的输入数据先进行预处理，使所有字段的数值分布在同一量级上。之后将算法应用于实验分析，在实验中证明该算法的确可以很好的改进BP神经网络的训练效率和预测准确度。