径向基函数(Radial Basis Function, RBF)神经网络以其深厚的生理学基础、简单的网络结构、快速的学习能力、优良的逼近性能,在函数近似、模式识别、信号处理、系统辨识等领域取得了广泛的运用,目前仍然是神经网络研究的重要内容。隐节点中心的选取是RBF网络学习要解决的主要问题;而训练数据中离群点的存在,将影响RBF网络的性能。本文对RBF网络现有学习算法进行了研究,并提出了解决以上问题的相应方法,取得了以下结果:(1)分析了RBF网络现有学习算法在隐节点中心选取,宽度确定和权值优化等方面的优缺点;(2)把微分进化和正交最小二乘算法相结合,提出RBF网络的微分进化正交最小二乘学习算法,使得网络的中心选择更加合理,从而提高了网络的泛化能力;(3)把减聚类方法和定标鲁棒代价函数相结合,提出RBF网络快速鲁棒学习算法,增强了网络对离群点的鲁棒性,同时缩短了网络的训练时间;(4)分别用微分进化正交最小二乘学习算法和快速鲁棒学习算法训练RBF网络,将训练后的网络应用于函数近似和时间序列预测等实例问题,验证了算法的有效性。最后,本文对所做的工作进行了总结,并对以后的研究内容进行了展望。