本研究におけるニューラルネットワークの学習は、
バックプロパゲーション法（back-propagation、誤差逆伝搬法）を用いた。
まずバックプロパゲーションについて説明する前に、一般化デルタルールについて説明する。
ある素子 j の入力総和 
は、
他の素子 i の出力 
と、重み 
をかけて加えたものである。
また、出力 
は入力の総和を単調増加関数 f
に代入したもので表されることにする。即ち、
と表せる。ただし、閾値は重みの一つとして含まれていると考える。 ここで、出力関数 f はシグモイド関数を用いることにする。 これは微分可能な関数であり、解析的に問題を解くことが可能になるからである。
次に、神経回路における学習を一般化して考える。
はある入力 c に対して出力素子 j が出すべき望ましい出力、
はその時の出力素子が実際にした出力である。
この時の学習評価として、次のような「誤差関数 E」
を考える。このような形の誤差関数を最小にする手続きを一般に
「最小2乗平均誤差法」（least mean square、LMS）という。
はその時の素子間の結合の強さ、 すなわち重み で決まるため、
誤差関数も重みに関して陰(implicit)に定義された関数となる。
したがって、各重みの値を軸としてできる空間を考え、さらにこの誤差関数
E によって定義される値を高さと考えれば、
E は重み空間上の超曲面として「誤差曲面」を与えることになる。
任意の重み状態から、この誤差曲面の極小値に達するには、
例えば各重みを、
に比例した量
ずつ変化させていけばよいことになる。
ここで 
は学習定数である。
これは誤差曲面上を最も急な傾斜方向に進んでいくことに相当し、
このような学習則を一般に「最急降下法」（gradient decent method）という。
さて、式(3.1)のように素子の性質が定義されていれば、 式(3.3)は合成関数の微分公式により、
と展開できる（添字 c は省略）。 式(3.1)を微分して代入すれば、
であるので、結局式(3.3)は、
となる。中間層が学習しない場合、
の項は
式(3.2)を微分することにより簡単に
と求めることができるので、式(3.7)より、
という学習則が得られる。 これを一般化デルタルールと呼ぶ。
