室内环境监测系统与BP神经网络算法可谓是有着密不可分的关联。它经过多年的沉淀和成长，已成为室内环境监测中的热门技术，它的计算过程十分清楚，逻辑也十分清晰。但是，这种算法存在这几个明显的缺陷。

第一点是BP神经网络学习中，收敛速度并不快。标准BP神经网络在学习过程中，算法的收敛速度并不快，尤其是当神经网络的训练达到一定的训练次数后。它在进行训练过程中，误差在收敛的过程中，基本都会出现振荡，从而影响速度。特别是在遇到一些复杂训练问题时，训练的时间过程可能要持续很长时间，严重影响算法的使用效率。

第二点是它在训练过程中十分容易陷入极小值的状态。它在训练的过程中，会出现收敛过程变缓甚至停滞的状态，当再经过一定次数的训练过程中，收敛的速度又会恢复到较快的速度。BP神经网络在训练中出现这种现象的原因，正是训练中容易陷入局部极小值的缺点。在训练过程中，一旦出现这种现象，原因很可能是神经网络以为找到了最匹配的权重。

第三点是它在使用过程中，一个难点就是最佳的神经网络结构难以确定，并且不能保证设计的网络的泛化能力。在实际使用的时候，BP神经网络结构中的层数以及网络中每层的节点个数怎么确定，当前都是靠以往的使用经验来确定，理论依据并不很充分。

虽然该算法室内环境监测系统中的通用性很强，具有很强的理论依据，但是就其缺陷来看，我们应该去探寻一个优化的方法，破解难题。