径向基函数(Radial Basis Function,RBF)神经网络以其深厚的生理学基础、快速的学习能力、简单的网络结构、优良的逼近性能,在函数近似、模式识别、信号处理、系统辨识等领域取得了广泛的应用。RBF神经网络具有模拟人脑中局部调整、相互覆盖接收的神经网络结构,是一种具有全局逼近性能的三层前馈网络。本文主要对RBF神经网络的学习算法及结构设计方法进行了研究,设计一个性能优良的控制器。首先,粒子群优化算法是通过个体之间的协作来寻找最优的解。粒子群同遗传算法类似,是一种基于迭代的优化工具。系统初始化为一组随机解,通过迭代搜寻最优值。但是并没有遗传算法用的交叉以及变异,而是粒子在解空间追随最优的粒子进行搜索。针对粒子群算法具有不易陷入局部极小、收敛速度快等特点,本文提出了一种基于遗传变异因子的改进粒子群的RBF神经网络学习算法。其次,在改进粒子群算法中加入了惯性权重因子,权重因子使用线性递减权策略,提高收敛精度。同时,结合遗传算法交叉变异因子来优化隐层与输出层的连接权值,在每一步的遗传算法优化操作中,结合了精英保存策略,可以起到很好的优化效果。最后,本文在前人研究的基础上,根据二级倒立摆的特点,采用改进粒子群算法优化RBF神经网络,并搭建设计RBF神经网络控制器模块,通过仿真和实际控制验证控制器的控制性能。