室內環境監測系統與BP神經網絡算法可謂是有著密不可分的關聯。它經過多年的沉淀和成長，已成為室內環境監測中的熱門技術，它的計算過程十分清楚，邏輯也十分清晰。但是，這種算法存在這幾個明顯的缺陷。

第一點是BP神經網絡學習中，收斂速度并不快。標準BP神經網絡在學習過程中，算法的收斂速度并不快，尤其是當神經網絡的訓練達到一定的訓練次數后。它在進行訓練過程中，誤差在收斂的過程中，基本都會出現振蕩，從而影響速度。特別是在遇到一些復雜訓練問題時，訓練的時間過程可能要持續很長時間，嚴重影響算法的使用效率。

第二點是它在訓練過程中十分容易陷入極小值的狀態。它在訓練的過程中，會出現收斂過程變緩甚至停滯的狀態，當再經過一定次數的訓練過程中，收斂的速度又會恢復到較快的速度。BP神經網絡在訓練中出現這種現象的原因，正是訓練中容易陷入局部極小值的缺點。在訓練過程中，一旦出現這種現象，原因很可能是神經網絡以為找到了最匹配的權重。

第三點是它在使用過程中，一個難點就是最佳的神經網絡結構難以確定，并且不能保證設計的網絡的泛化能力。在實際使用的時候，BP神經網絡結構中的層數以及網絡中每層的節點個數怎么確定，當前都是靠以往的使用經驗來確定，理論依據并不很充分。

雖然該算法室內環境監測系統中的通用性很強，具有很強的理論依據，但是就其缺陷來看，我們應該去探尋一個優化的方法，破解難題。