量子径向基函数神经网络是一种把量子并行计算的概念引入到传统的径向基函数神经网络而得到的一种新的量子神经网络模型。该模型结合了量子和径向基函数两者的优点,具有运算并行性、收敛速度快、分类识别准确度高等优点。文中将该模型应用在了新生的疼痛表情识别中,结果证明比传统的径向基函数神经网络有更好的分类识别性能。本文的主要研究内容如下：首先,研究了经典的径向基函数神经网络,详细研究了经典径向基函数神经网络的模型结构、工作机理和学习算法。介绍了传统径向基网络的结构特征,从理论上分析了径向基网络的性能,如无限的函数逼近能力、收敛性及泛化能力等,并分析了径向基函数神经网络的几种学习算法,通过仿真模拟实验说明了各个算法的优缺点。然后本文介绍了量子计算的基本知识和相关概念,将量子计算与传统的径向基函数神经网络相结合,提出了一种新的量子径向基函数神经网络。该网络模型中,将网络的输入向量通过量子态转换用量子寄存器来表示,那么网络的输入可简化为一个n位量子叠加态,从而简化了网络模型。同时网络的隐含层数据中心也同样用量子寄存器来表示,那么对数据中心的调整可以采用酉算子,从而实现网络的并行处理。之后用一个简单的三分类问题验证了该模型分类识别的准确性。最后,将量子径向基函数神经网络应用在新生儿疼痛表情识别问题中,验证了新模型在分类识别应用中的有效性,解决了实际问题。