径向基函数神经网络是一种性能优良的非线性前馈神经网络,最基本结构形式的径向基函数神经网络包括三层,输入层、隐含层和输出层,其中每一层都有着完全不同的作用。在网络构建过程中,隐含层的设计是最为关键的,它影响着神经网络的规模和泛化能力。本文在分析径向基函数神经网络训练过程的基础上,重点研究隐含层神经元个数及中心的确定问题,即隐层中心的选择问题。本文提出了两种隐层中心的选择方法,基于局部泛化误差模型的径向基函数神经网络隐层中心的选择,该方法在局部泛化误差模型的基础上,拓展Wing的思路,把训练误差与敏感性的线性加和作为评价训练好的分类器性能优劣的标准,并利用该标准进一步确定隐层中心；基于样例潜能的径向基函数神经网络隐层中心的选择,该方法充分利用样例的输入输出信息,定义了一个公式来度量每个训练样例对选择隐层中心影响的大小,这个影响同时也预示着一个样例能被选作初始隐层中心潜在能力的大小,可以用来指导隐层中心的选择。实验结果表明,两种方法选择了合适的隐层中心,最终确定的网络具有简单的结构和良好的泛化能力,是可行、有效的。