人工神经网络的研究是当代人工智能领域最富有挑战性的研究热点之一。人们经常应用神经网络进行优化计算、智能控制和模式识别等,但是许多问题的研究最终都要转化为神经网络逼近多元函数问题的研究。本论文主要基于径向基函数(RBF)神经网络的非线性逼近性质,来研究激励函数为Gaussian函数的RBF神经网络(简称为Gaussian型RBF神经网络)对可积函数和连续函数的逼近性能以及它在股票价格预测中的应用。本论文的工作如下：首先,我们研究发现具有单隐层n+1个神经元的Gaussian型RBF神经网络能精确插值n+1个样本,并且根据样本值构造出这些Gaussian型RBF神经网络的内部和外部权值,证明了它们能以任意精度近似地插值这些样本。进一步又证明了Gaussian型RBF神经网络能以任意精度一致逼近闭区间上的任意连续函数,且不需要训练。其次,通过采用Matlab神经网络工具箱,我们设计了Gaussian型RBF神经网络和BP神经网络对一元函数和二元函数的仿真逼近实验,并且就两者的逼近性能、泛化能力、收敛速度、误差等方面进行了比较,结果显示Gaussian型RBF神经网络不仅设计方便、训练速度快,而且能达到较好的逼近精度。最后,我们构建了基于Gaussian型RBF神经网络的股票价格预测模型。通过用上证指数350个交易日的数据为实验对象进行训练和预测,我们发现Gaussian型RBF神经网络股票预测模型较BP神经网络预测模型能得到更好的预测效果。理论分析和实验结果表明,Gaussian型RBF神经网络用于股票市场的预测是可行的和有效的,并有着良好的应用前景。