针对BP神经网络的原始算法收敛速率慢、学习精度低、训练过程易陷入局部极小值问题，为解决上述问题，提出一种以变学习率BP算法为基础的改进算法，通过区分隐层和输出层的学习率，并用交叉熵作性能函数，提高算法的学习精度和训练速度，并经过数学推导，得到改进算法的实现公式。将改进算法应用于奇偶数判别问题进行仿真，仿真实验结果与其它类似的方法进行比较后，发现改进算法大大降低了网络迭代次数，缩短了网络的训练时间，提高了训练精度，验证了该算法的有效性。

变速箱是汽车传动系的重要组成部分,因此对变速箱常见故障类型进行诊断研究很有必要。以四种变速箱常见故障类型为研究对象,利用动态学习率对BP神经网络进行改良,建立了变速箱故障诊断网络模型。通过测量并提取已发生故障的信号特征参数,收集大量信息数据作为已知样本来训练某状态下的神经网络,再用其它转速下变速箱故障数据对网络进行验证。对于学习率的恰当改变可以提升网络的速度和稳态性。诊断结果表明,网络模型通过对已知故障数据样本的学习,实现了对变速箱未知故障的诊断。