径向基函数(RBF)神经网络是一种具有单隐层的三层前馈网络，其网络结构和学习算法与BP网络有着很大的差别，在一定程度上克服了BP网络的缺点，因此，RBF网络已经成为一个新的研究热点。RBF网络模拟人脑中局部调整和相互覆盖接收域的神经网络结构，是一种局部逼近网络，它可以以任意精度逼进任意连续函数。遗传算法是模拟自然遗传学机理和生物进化理论而形成的一种全局并行的随机搜索方法，具有强鲁棒性，并具有收敛到全局最优的能力。RBF网络的设计问题就是关于网络隐节点数和隐层节点RBF函数中心、宽度和隐层到输出层的权值的性能指标的最小化问题。尽管性能指标对函数中心和连接权值是连续可导的，但对于隐层节点数却是非连续非线性的。这对于需要目标函数的导数信息的传统优化方法是很困难的。遗传算法与RBF神经网络的结合为有效快速地解决这些难题提供了一条有效的途径。 本文采用混合递阶遗传算法来优化RBF神经网络的结构和参数，并与正交最小二乘法作了比较。在综合研究RBF网络隐层结构和RBF函数参数的特征和功能的基础上，提出一种新的关于RBF网络隐层中心和宽度参数的编码方法，即将二者分开编码为独立的种群，使二者在不同的搜索空间上遗传进化，提高了遗传算法优化RBF网络的收敛速度和训练测试精度。最后应用于非线性系统的辨识和预测，仿真结果表明该算法的有效性。