这篇学位论文首先从多角度分析研究了基于梯度下降算法的增量训练和批量训练两种方式的优劣性,并结合两个实验加以验证。然后结合小波分析、模糊聚类知识建立了组合RBF神经网络系统,并将该系统应用于海洋浮游植物的分类中,取得了较之于传统方法更好的结果。论文第一章综述了多层前向神经网络在各个领域中的广泛应用和研究现状。梯度下降算法是训练多层前向神经网络的一种有效方法,该算法可以以增量或者批量两种学习方式实现。关于两种学习方式的优劣性在神经网络领域众说不一,有人对两种学习方法做过比较,但均是从单一的角度进行比较。论文第二章从准确率、训练时间、计算量、学习速率和惯性系数等多个角度出发,分析了两种学习算法的优劣性,并找出了有待于进一步研究的问题;提出了“惯性校正法”,对其能加速学习的原因进行了理论分析,并结合岩性分类和字母识别两个实验,对理论观点进行了验证。RBF神经网络作为多层前向神经网络的一种,同样有着广泛的应用。我们介绍了RBF神经网络的理论、主要的学习算法和一种改进的学习算法,分析了RBF神经网络逼近性质和分类机理。在小波变换、模糊动态聚类和RBF神经网络的基础上提出了一种新的“组合RBF神经网络”分类系统,是RBF神经网络在应用领域中的一种创新,也是本文的重点。该分类系统首先将复杂的分类问题转化为多个简单的分类问题,然后通过对每个简单问题的细化分类,最终实现对原问题的有效分类。第四章利用“组合RBF神经网络”建立了海洋浮游植物分类系统,是对该网络实际效果的验证。结果表明,该网络较传统的分类方法有着很大的优越性。同时对广义RBF神经网络和正规RBF神经网络算法在该实验中的数值结果进行了对比分析。最后,应用Matlab编程语言设计了海洋浮游植物数据预处理系统和物种识别系统,直观地将数据预处理过程中每一步操作对数据的影响和组合RBF神经网络的工作原理显示出来,实现系统可视化。