神经网络学习的一个重要问题是如何确定隐神经元的个数。迄今为止关于最佳隐神经元个数的选取方法已经有大量的研究结果。其中一个行之有效的方法是使用基函数作为激活函数的神经网络，先选取较少的n个神经元作为初始发育细胞，当学习k次后误差不再发生变化且误差函数E(k)=E(k-1)＞ε（ε为预先给定的训练精度）时，网络自动衍生，即增加一个隐神经元，重复以上过程，直到E（k）≤ε才停止衍生学习。本文主要研究基函数神经网络和再生核函数之间的关系，证明了当基函数神经网络的激活函数ψ(x)∈C[-1，1]n时，基函数神经网络实质就是一个再生核函数，并且给出了基函数神经网络的再生核的表达形式以及学习算法和权值的具体求解过程.同时介绍了双核嵌入的再生核函数神经网络以及稀疏的双核嵌入再生核函数神经网络，给出了网络的拓扑结构以及权值计算规则。最后进行了相关的数值实验并给出了实验结果图.