神经网络一直以来是实现分类器的重要方法之一.在多年的研究中，不同年代出现了几种有代表性的网络学习算法：如60年代的Widrow-Hoff神经网络学习算法；70年代的BP神经网络学习算法；80年代的Hopfield网络；上述各种方法都有缺点。例如，Widrow-Hoff神经网络学习算法只能解决线性可分问题，BP网络学习算法的收敛速度慢，而样条权函数神经网络学习算法的出现，解决了上述的问题，使得神经网络的研究进入了新的纪元。　　 本文算法的实现，正是以样条权函数神经网络算法为基础，用正交函数（通过插值方法得到）作为神经网络的权函数（代替了样条权函数）.其中，每个权函数是最佳平方逼近多项式，并结合正交权函数的网络结构，对多输入单输出和多输入多输出两种情况下的误差进行了分析。　　 正交权函数神经网络不仅继承了样条权函数神经网络算法的优点，即不存在传统梯度下降类算法的局部极小，收敛速度慢，对初值敏感等缺点，而且与样条权函数相比，最后的正交权函数的表达式简单且存储信息少。　　 最后，把常见的图像纹理分类作为本文的应用点，不仅因为纹理是图像处理领域和模式识别领域中的重要研究内容，同时也是因为可以通过图像的纹理分析提取许多有价值的宏观信息。实验结果表明，与传统方法相比，正交权函数网络的分类精度更高，分类时间更短。