经过多年的研究,人工神经网络的研究已经取得了丰硕的成果。然而传统神经网络(BP、RBF)的权值是常数,训练的权值难以反映样本的信息,而且传统神经网络的模型难以确定,隐层神经元个数需要进行反复试验。文献[1][2]提出了一种新型的神经网路训练算法——样条权函数神经网络训练算法,权函数神经网络模型拓扑结构简单,同时该算法还克服了传统神经网络容易陷入局部极小、收敛速度慢、难以求得全局最优解等缺陷,使得神经网络研究进入了新阶段。论文是在样条权函数神经网络训练算法的基础之上,研究了Fourier权函数神经网络,即Fourier级数作为权函数。在理论部分首先构造了Fourier权函数神经网络模型;其次给出了Fourier权函数的确定方法;再次结合Fourier权函数神经网络模型对网络误差进行分析,求出网络误差的表达式;最后通过仿真实验,验证了与传统神经网络相比,Fourier权函数神经网络具有逼近精度高、训练速度快、泛化能力强等优点。论文将Fourier权函数神经网络应用于纹理图像识别中。图像识别是典型的模式识别问题。论文通过对纹理图像灰度共生矩阵的分析,提取出图像的纹理特征参数,并将提取的特征参数作为Fourier权函数神经网络分类器的输入,对纹理图像进行分类识别。通过实验与基于BP、RBF神经网络的图像识别方法相比,验证了Fourier权函数神经网络具有较高的识别精度。