近年来，国内外对于信号拟合研究进行了许多尝试。在LabVIEW的分析软件库中提供了多种线性和非线性的信号拟合算法。在进行信号拟合时需要根据不同的信号，采用不同的拟合方式。这些方式虽然各有其优势和特点，但同时也存在着局限性。为了克服现有方法中的不足，人们正在不断的探索。在本文中，首先对于一些信号拟合算法进行了调研和改进，主要是研究神经网络进行信号拟合，其中利用了柔性函数基和模拟退火算法，然后将改进的算法嵌入到基于LabVIEW构架的虚拟仪器中，扩展LabVIEW的信号拟合处理的功能，使LabVIEW具有广泛的应用性。 本文首先研究了基于柔性函数基的模拟退火神经网络。神经网络在信号处理方面的实际应用，存在一些问题，其中就是灵活多变的神经元激励函数表达式不多，而且大多数基函数形式单一，如Sigmoid函数、径向基函数等。为此，在本文中采用了多参数的柔性函数基，它的特点克服了以往神经元激励函数的缺陷，它通过参数的调整使得函数基更能贴近复杂的信号。在神经网络训练的过程中，人们通常采用梯度下降法进行神经网络的参数调整，其方法的优点是搜索速度快，简单方便。缺点是容易陷入局部极值点。由于在实际中，大部分的信号是多极值的，所以在应用BP神经网络的信号拟合过程中必须反复的调整初始参数，使用梯度下降法，然后在多个搜索的极值中，取其最终的极值点。这样做往往增大了计算量和运行时间。为了克服其缺陷，本文采用了一种全局性的搜索算法——模拟退火算法。 本文首次将柔性函数基和模拟退火算法结合起来，介绍了这种基于柔性基的模拟退火神经网络的训练算法和实现步骤。仿真实验表明，这种新的尝试可以较好地克服局部搜索算法带来的缺陷，具有较高的研究价值。 最后本文将基于柔性基的模拟退火神经网络嵌入到LabVIEw中，并以外汇牌价的拟合研究为仿真实验。仿真实验表明算法的嵌入扩展了LabVIEW的功能，较好地提高了信号拟合的准确性，增强了系统的灵活性，具有一定的使用价值。