随着人工神经网络系统理论的发展,神经网络技术日益成为模式分类的有效手段。神经网络的学习方式包括监督学习和非监督学习。非监督学习算法的分类精度通常很难令人满意,而监督的学习算法需要有标记的训练样本,这有时很难得到,并且其分类精度直接依赖于所用的训练样本。针对这些缺陷,本文分别对非监督学习的自组织(SOM)神经网络和监督学习的广义回归网络(GRNN)进行了改进,并提出了一种基于SOM网络和GRNN结合的混合神经网络模型。本文的主要工作总结如下:(1)对几种代表性的人工神经网络模型和算法进行了讨论,了解了人工神经网络的研究动态及发展趋势,并重点对SOM网络和广义回归网络的模型结构和算法理论进行深入研究。(2)对核函数方法原理进行了研究,并选用核函数对传统的SOM网络进行改进,在此基础上,探讨一种基于混合核函数的SOM网络模型,并通过相关实验证实该方法的优越性。(3)对广义回归网络进行深入研究,并用粒子群优化算法自动确定GRNN参数,避免了人工选择平滑因子对分类结果的影响,并通过实验和人工方法进行了对比。(4)探讨了一种基于非监督学习的SOM网络和监督学习的GRNN结合的混合神经网络模型,并在IRIS数据集、WINE数据集和遥感测试数据集上分别进行了实验论证,对混合神经网络模型研究提供了一种新的思路。