多層前饋網絡可以學習和存儲大量的輸入輸出模式映射關系。即使不知道描述這種映射關系的數學方程，只要能提供足夠多的樣本模式對供BP網絡學習訓練，就能完成從N維輸入空間到M維輸出空間的非線性映射，即非線性映射能力。在工程和許多技術領域中，對於壹個輸入輸出系統，往往積累了大量相關的輸入輸出數據，但仍未掌握其內在的蘊涵規律，無法用數學方法描述該規律。對於這類難以得到解析解、缺乏專家經驗的問題，多層前饋網絡具有無可比擬的優勢，但可以表達並轉化為模式識別或非線性映射。通過訓練好的多層前饋網絡，將提取的樣本對之間的非線性映射關系存儲在權值矩陣中，當訓練時看不到的非樣本數據輸入網絡時，網絡也能完成從輸入空間到輸出空間的正確映射，即泛化能力，這是衡量多層前饋網絡性能的壹個重要方面。因為權重矩陣的調整是從大量樣本中提取統計特征的過程，反映正確規律的知識來自所有樣本，個別樣本中的誤差無法控制矩陣的調整。因此，多層前饋網絡允許輸入樣本存在較大誤差甚至個別誤差，即容錯性。
標準算法在應用中存在很多缺點，如訓練次數多、學習效率低、收斂速度慢、隱節點的選擇缺乏理論指導、學習新樣本時容易忘記舊樣本、容易形成局部極小值而獲得局部總優等。通過在權值調整公式中加入動量項α，自適應調整學習速率η，在傳遞函數中引入陡度因子λ，有效地改進了BP算法，進壹步提高了其適用性。
因此，利用BP人工神經網絡建立導水裂隙帶高度與其影響因素之間的非線性映射關系，發揮BP網絡的泛化能力，輸入影響因素預測導水裂隙帶高度具有無可比擬的優勢。