聚类是人工智能领域中一项基础性技术。其中传统的无监督聚类不使用人工添加的标记信息直接对原始数据进行处理,虽然简单,但往往很难取得很好的效果;而监督聚类通过利用标记数据来指导聚类过程,可以得到更好的效果。径向基函数神经网络(Radial Basis Function neural Network,RBFN)是人工神经网络的一种,由于具有结构简单、泛化能力好、速度快等优点,经常被用在分类、回归等问题上。RBFN的训练传统上采用无监督的聚类,本文则在RBFN中引入监督聚类,提出了基于线性回归模型的监督聚类神经网络。传统的RBF回归建模把所有的训练数据看做一个整体,称作全局建模,对于目标模型的局部特性逼近精度有限。局部建模克服了这个缺陷,但是传统的局部建模方法速度较慢且存在边界效应,本文则使用监督聚类进行模糊划分实现了一种新的局部建模方法,根据不同训练子集回归建模难度的不同分别采用不同的训练算法,消除了边界效应同时提高了处理速度。本文首先简单介绍了聚类、RBFN等相关背景,然后提出了一种基于线性回归模型的监督聚类算法,接下来又在RBFN中引入局部建模和模糊划分的思想,最后通过一系列实验证明本方法在回归问题上的高精度和高效率。