BP网络理论基础坚实， 通用性强，是前向网络学习的主要模型但是也存在一些公认的缺陷。在商业数据分析中要求网络规模较大， BP网络学习速度慢，易过早地陷入局部最优解问题更为严重，难以满足实际应用。本文认为BP网络存在两更本质的原因导致了局部最优等BP网络的公认缺陷。原因在于：1、BP网络学习过于机械、低级、缺乏高级的智能特征—总结历史。2、神经元在学习过程中会出现疲劳和超负荷两种病态现象。通过引入检查校正病态神经元和阶段化评估机制而建立的阶段化BP模型（PEBP）具有更高级的智能特征，PEBP把训练划分为一系列阶段，每个阶段检查校正病态神经元，评价调整学习模式。实验对比了一般BP和本文提出的两个改进方法学习性能，实验结果表明两种方法都大大优于一般BP。
