利用样本的先验概率——Bayes定理和基于风险最小的Bayes决策规则对新的样本进行分类，产生了概率神经网络(简称PNN)。这种基于统计原理的神经网络模型，具有训练时间短且不易收敛到局部极大点的优点，但是它的网络结构限制了它只能作为分类器输出分类结果。针对这点，本文将PNN和径向基函数神经网络(简称RBFNN)的网络结构结合起来，形成新的网络结构——径向基函数概率混合神经网络(简称RBF-PMNN)，RBF-PMNN不仅具有PNN的分类器特点，还具有RBFNN的函数拟合特点。另一方面，由于RBF-PMNN的网络性能很大程度受到网络参数(中心向量u、平滑因子σ、连接权值w)的影响，所以本文分别采用了EM算法和遗传算法对网络参数进行优化：EM算法利用RBF-PMNN的模式层结点下标i不可观测的特点，构建了EM算法优化的RBF-PMNN(EM-RBF-PMNN)；遗传算法则通过进行全局搜索，挑选网络的中心向量和平滑因子，摒弃冗余结点，大大减少了原来的模式层结点的个数，构建了遗传算法优化的RBF-PMNN(GA-RBF-PMNN)。同时，为了验证网络的规模和性能，本论文分别运用五个模型：概率神经网络、径向基函数神经网络、径向基函数概率混合神经网络、EM算法优化的径向基函数概率混合神经网络、EM算法优化的径向基函数概率混合神经网络，建立对股票波动率的预测模型。并使用了模拟和实测的数据验证了这些网络模型的有效性，实验结果是令人满意的。