1、模型的收敛速度较慢，因为模型所需的数据量比较大，训练时所需的迭代次数比较多。在实际操作中，如果训练的数据量达到一定程度时，训练所需的时间可能会长达数个小时。为了加快收敛速度，提高模型的效率，我们通常采用降低输入维度或变换学习效率的方法进行优化。来自~吹冰、论文|网www.chuibin.com +QQ752018766-

2、模型的权值具有随机性，BP模型的初始权值对整个网络的泛化能力有着显著的影响，不同的初始权值会得出完全不同的结果，有些权值甚至会导致网络震荡，我们可以通过反复测试初始值的方法来寻求最优解。

3、模型易陷入局部极小，由于BP模型在学习的过程中有误差反馈的方法，这种方法属于局部寻优法。此方法自身存在不少缺陷，表现为在当局部的极小点到达一定数量后，算法就会陷入局部极小点的困境，BP模型虽然仍可以使他的权值进行收敛，当不能保证其成为误差平面的全局最小值，我们可以采用参数值适应，引入陡度因子的方法来进行改进