本文首先介绍了径向基函数神经网络(RBFNN)和吴永贤(Wing W.Y.NG)博士提出的局部泛化误差模型。由于模型结果中的表达式含有积分运算,因此将该结果用于实际应用中时其计算时间复杂度很高。为此,Wing在一些假设基础上,利用概率论中的大数定律对局部泛化误差模型的结果进行化简,并将化简后的结果应用在RBFNN的结构选择问题中。但是,由于Wing方法本身的特点,该方法适用于样例的特征维数比较大的情况。本文在对局部泛化误差模型结果进行分析的基础上,给出一种基于局部泛化误差模型的启发式训练RBFNN的方法,该方法不但适用于样例的特征维数不太大的情况,也适用于样例特征维数比较大的情况。实验表明,本文提出的启发式方法成功解决了模型结果计算时间复杂度问题,同时RBFNN的训练精度也达到了令人满意的结果。