径向基(RBF)神经网络是一个三层前馈式网络，以其结构简单、学习速度快、较好的推广能力，而被广泛的应用于许多领域。设计RBF网络主要是通过学习，确定其网络的隐层节点数、隐层神经元的基函数中心及宽度、隐层到输出层的连接权值使得某一性能到达最优。对于这个优化问题，传统优化方法却显得异常乏力，因为传统方法通常要求目标函数连续或可导，而性能指标对于隐层的节点数并不是连续或可导的。差分进化算法是一种基于群体差异的启发式随机搜索算法，因其原理简单、受控参数少、较强的全局寻优能力，而成为最优化领域的一个研究热点。差分进化算法直接对编码个体进行差分操作，并不基于函数信息，为这一难题提供了一种有效的解决途径。针对RBF神经网络参数和结构的训练学习问题，本文采用层次递阶基因结构对网络参数和网络结构进行混合编码，并在此基础上提出了混合递阶差分进化算法。算法分两阶段来优化神经网络，首先对隐层结构及参数，使用本文提出递阶差分进化算法进行优化；然后在确定隐层后，运用最小二乘法求解隐层到输出层的连接权值。本文提出的混合递阶差分进化算法存在以下优势：一是能够同时对网络参数和网络结构进行优化，二是充分发挥了差分进化算法在连续空间的搜索能力，三是降低了编码的复杂度，四是发挥RBF网络隐层到输出层线性变换的特性。最后，将基于本文算法优化的RBF网络用于模式识别、非线性系统辨识、函数逼近问题上，并与基于混合递阶遗传算法的RBF神经网络进行对比。结果表明，本文算法优化的RBF神经网络具有收敛速度快、泛化能力强、不易陷入局部极值的优点。