色彩匹配作为色彩管理系统的核心技术,多年来,一直是彩色打印、印刷和摄影领域等彩色信息处理领域的难点问题,色彩匹配涉及到复杂的多维空间的非线性转换问题.在该文的研究中,采用径向基函数神经网络(RBFNN Radial Basis Function Neural Network)来解决这种复杂的非线性映射问题.神经网络是人们在模拟人脑处理问题的过程中发展起来的一种新型智能信息处理理论,它通过大量的称为神经元的简单处理单元构成非线性动力系统,对人脑的形象思维、联想记忆等进行模拟和抽象,实现与人脑相似的学习、识别、记忆等信息处理能力.利用神经网络的非线性映射特性、可学习分类及高速并行处理能力来解决具有多因素、多重非线性和高维复杂特性的色彩再现问题,是目前色彩匹配领域一个研究的重要方向.该文系统地研究了径向基函数神经网络的原理,并对径向基函数神经网络的训练算法作了概述和分类.然后,详细介绍了最近邻聚类学习算法和梯度下降学习算法的学习过程,分析了这两种算法的性能,并针对RBF神经网络的最近邻聚类学习算法存在的学习精度不理想和固定网络结构的梯度下降训练学习算法存在的中心不易确定、训练时间长等问题,提出了一种基于最近邻聚类中心选取和梯度下降训练的RBF神经网络混合学习算法,提高了网络的学习精度和训练速度.将该算法应用于非线性系统的在线辨识、二维函数的逼近以及Iris机器学习数据分类等仿真实验中,实验结果验证了该方法的有效性.最后用径向基函数神经网络的混合学习算法来解决色彩匹配问题,实现从RGB屏幕色彩空间到CMYK打印机色彩空间的转换,取得了令人满意的打印效果.