波兰科学家Z. Pawlak提出的粗糙集理论对于处理不精确、不确定、不完整的信息和知识是一种非常有效的新的数学工具。而RBF网络是近年来发展起来的一种优良的前向网络,其结构简单,训练快捷,可以逼近任意非线性函数成为一种新的用于系统建模的工具。但对于复杂系统,用神经网络建立模型,初始的训练样本难以保证知识的完整性和有效性,往往存在着冗余和噪声,以致造成网络的结构庞大,训练困难,难以达到要求的精度。粗糙集理论与神经网络具有很好的互补性,两者的集成已受到国内外学者越来越多的关注,为处理不确定、不完整信息提供了一条强有力的途径。本文主要研究了基于粗糙集的RBF神经网络结构的设计方法,并进行了仿真研究。主要内容包括：(1)研究了选取RBF网络中心的学习算法,通过分析各种学习算法的优缺点,最后用OLS算法训练的RBF网络很好的逼近了Hermite多项式;(2)提出了一种基于粗糙集的属性值约简算法。本文通过实例介绍了该算法的应用,研究表明,该算法不仅能得到最佳的决策规则,而且能够大大降低信息系统所需的存储空间,该算法可以解决各种有关的实际问题；(3)提出了一种基于粗糙集理论和OLS算法的RBF神经网络结构的设计方法。首先利用系统的输入输出样本数据建立粗糙集知识表达系统,通过计算输入空间知识对输出空间知识的确切度来定量分析每个输入变量对输出的影响程度,约简知识表达系统的输入空间,从而确定系统阶次和网络输入层的节点个数,然后用OLS算法来确定RBF网络的隐层节点个数和输出层权值。最后以一非线性系统为对象,对该方法进行了仿真研究和模型检验。