应用径向基函数(RBF)神经网络及其改进算法，根据细菌的基质辅助激光解吸／电离飞行时间质谱(MALDI-TOF-MS)数据，对五种细菌按照培养时间的不同(24、48和72小时)进行分类辨识，并对RBF网络参数对分类结果的影响做了详细的研究。为了加速网络训练和减少网络的复杂性，原始质谱数据采用小波变换进行压缩，由原来的13828个数据点压缩至328个，且保持了原来的特征谱峰。应用传统的RBF网络，对五种细菌分类辨识的正确率分别为71.4％，61.5％，80％，84.6％和92.8％。应用改进的RBF网络，对部分细菌的正确辨识能力有所提高，正确率分别可达到85.7％，69.2％，80％，92.3％和92.8％。 MALDI-TOF-MS可以对细菌进行全细胞分析，使得对细菌的质谱分析更为简便、迅速，获得的谱图也要比传统的热裂解方法简单得多，但具有高灵敏度，蛋白质化学结构细微的差别能够通过质谱图直接反映出来。培养条件对细菌生长过程有着直接的影响，即使实验人员精心控制实验条件，也很难得到完全相同的谱图，这就增加了用参照谱图比较来进行细菌分类的难度。人工神经网络具有很强的自学习、自组织、自适应、高容错能力、高度非线性描述能力、分布存储与并行处理信息能力和联想记忆功能等，在解决非线性、多输入、不完整、不准确甚至非常模糊的信息处理问题时具有明显的优势。由于细菌培养的生物学影响因素复杂，因而进一步严格控制细菌的培养条件是改善细菌分类正确率的关键。