神经网络由三层组成，分别是输入层，输出层和隐蔽层。根据需要，隐蔽层可以是一层，二层或者三层。一般来说，使用一层隐蔽层，以及输出层使用非线性函数已经可以适用绝大数问题。多加一层隐蔽层并不会带来结果上的明显改进，反而会加大训练的时间。
以下的公式均假设在BP网络中使用logistic激活函数，输出层也使用该激活函数。
连接的权值：相邻两层节点的单元均互相连接。即前一层中的每一个单元均和（且只和）后一层网络中的每一个单元相连接，且该权重一般初始化为[-0.1,0.1]之间的一个随机小数，用Wij表示，即前一层的节点i与后一层的节点j之间相连接的权值。
输入层：输入层的个数以及输入值的形式可以根据训练数据的形式自定义。比如当输入一个10乘以10像素的图像时，可以定义100个输入点，每个输入点对应于一个像素点的值，该值可以是经过MAX-MIN归一化后的数值。输入层的输出O即是他的输入，该层网络上不做任何计算。
隐蔽层与输出层：隐蔽层和输出层中每个节点均有一个阈值，以及一个激活函数，假设均为logistic函数。隐蔽层和输出层的净输入I均等于前一层的输出Q分别乘以相连的权值，再加上该单元的阈值，而该层的输出则是通过计算产生的，计算方法如下:
对于本层（隐蔽层或者输出层）中的单元j，它的净输入等于前一层网络中，所有单元的输出乘以该条连接权重的和，再加上单元j的阈值。故单元j的净输入可以表示为：
而计算净输入之后，该层的输出等于将logistic函数作用于净输入之上，即单元j的输出为：
之后，该输出继续作为下一层网络的输入处理。如果当前该层网络是输出层，则该值就是网络最后的输出值。
后向误差传播：
通过更新权值和每个单元的阈值，来修正当前的网络。
对于输出层的单元j，误差ERROR(j)用下式计算：
其中，Oj是该输出单元的实际输出，而Tj则是预期输出（即样本点的实际值）。
对于隐蔽层的单元j，误差的计算方式略有所不同，该值是
其中，Wkj是由下一层较高层中的单元K到单元J的连接权值，而ERR（k）是单元K的误差。
所以，当计算误差的时候，我们需要反向传播，即先计算较高层的误差，再计算前一层的误差。
计算完误差之后，需要更新权值和阈值，该权值的改变如下：
（请注意下标）
参数l表示学习速率，一般也为(0,1)之间的一个小数。不过，该数不是随机产生的，而是指定的。
阈值的更新如下：
网络停止训练的条件：
1前一周期的所有改变量均太小，小于某个指定的阈值；
2前一周期未正确分类的样本百分比小于某个阈值；
3超过预先指定的周期数。
经常，网络的收敛是不明显的，而且往往也不知道当前网络是否已经达到最优的状态。所以，判断是否停止迭代，往往采用一个更一般的做法：
将数据集分为3个独立的数据集，训练集，测试集，验证集，分别为原始样本的70% 15% 15%。网络的训练用训练集，每当迭代到一定次数后（比如100次），均用测试集去测试当前网络的误差和。然后，我们选取误差最小的那个网络作为我们最终的网络，而最后的验证则通过验证集去测试，即最后的测试结果。