神经网络的灵敏度用来分析输入或者权值的扰动对输出的影响，研究灵敏度可以构造抗干扰能力更强的神经网络，并能增强网络的性能。权函数神经网络训练后的网络权值是输入样本的函数，这简化了神经网络结构，并且解决了传统神经网络算法的一些困扰多年的缺点[1]。本文引用了文献[1]提出的第二类样条权函数神经网络的拓扑结构和训练方法，根据B-样条基函数的公式和性质，使用B-样条函数逼近理论权函数。本文分别对第二类B-样条权函数神经网络的模型误差与逼近噪声误差的公式进行了推导，根据神经网络灵敏度的统计学定义，使用数值分析、矩阵计算等方法，对神经网络的灵敏度公式进行了计算。本文推导出了第二类B-样条权函数神经网络的灵敏度计算公式，总结出样本扰动以及外界噪声干扰对该网络的影响情况。本文使用Matlab对上述的灵敏度公式进行了仿真实验，验证了第二类B-样条权函数神经网络灵敏度的计算公式的正确性。本文通过理论分析，设计了一种基于第二类B-样条权函数神经网络灵敏度分析的调制信号识别器，将提取的调制信号特征值作为输入，通过计算该系统的灵敏度，就可以对处理后的调制信号进行分类。经过实验验证，该信号分类器具有结构简单、识别速度快以及正确率高的优点，说明了其在信号处理领域具有很好的实效性。