BP神经网络（Back Propagation Neural Network）是一种广泛应用于分类、回归和预测问题的人工神经网络。
BP神经网络可以用于处理具有复杂输入输出映射关系的问题。它的特点是可以在不知道准确解的情况下，通过学习得到极其复杂的映射关系并进行预测。其核心原理是通过多层前馈神经元的自适应训练来调整网络中的权重和阈值，从而使神经网络对具体问题的映射关系进行学习和逼近。
BP神经网络发明于1986年，自问世以来一直是深度学习和机器学习领域的重要研究方向。
BP神经网络主要由输入层、隐含层和输出层构成。输入层接收输入信号并将信号向下传送到隐含层，隐含层经过一系列运算和sigmoid函数激活后，将信号向下传送至输出层，输出层最终给出预测结果。
BP神经网络的优点是可以处理非线性问题，具有较好的适应能力，并可以自适应地更新权重。缺点是算法比较复杂，需要大量数据训练才能得到较好的结果。
