该论文是针对径向基概率神经网络的结构优化、学习算法、分类机理、以及现实应用等课题来展开全面而系统的研究.研究结果使我们进一步增强了对径向基概率神经网络的理解和认识,拓宽了其解决更多实际问题的应用空间.全文的主要工作体现在以下几个方面:1、丰富了径向基概率神经网络的权重学习训练算法,大大推动了径向基概率神经网络的学习训练问题的解决.文中讨论了递推最小二乘算法(RLSA)、M-P伪逆算法(PIA)和递推正交最小二乘算法(ROLSA)用于径向基概率神经网络的训练问题.这三种算法的共同特点是,在大多数初始权值情况下,能够避免网络权重学习过程的局部极小值限制,在收敛性能、初始敏感性、训练速度方面明显优于传统的反向传播(BP)算法,对于给定的训练样本集,收敛后的连接权重近似趋于全局最优.2、新提出了径向基概率神经网络的无监督/有监督混合学习算法.该算法的最大特点是,对于没有明确类别标记的训练样本集,能够正确进行类别划分,并能运用径向基概率神经网络的映射结构特征,自动结合其权重的有监督训练过程来完成网络的训练,从而不需要额外的训练开销.3.深入研究了径向基概率神经网络的结构优化算法,丰富了其结构优化理论.4、将径向基概率神经网络成功应用于人脸自动识别,并取得良好的分类效果.此外,深入研究了径向基概率神经网络用于非线性时间序列预测问题,在网络结构设计方面提出增加第一隐层的抗噪声冗余设计,同时将Gram-Schmidt正交化用于第二隐层的节点优化,使得径向基概率神经网络的预测性能明显好于径向基函数神经网络.5、提出一种新的基于径向基概率神经网络的模式识别融合系统,即多分类器系统,避免了单一径向基概率神经网络分类器的分类局限性,减少了寻求单一分类单元结构最优化时的计算复杂度,通过使用D-S融合算法,大大提高了对复杂模式识别问题的分类精度.