本文详细论述了神经网络尤其是基于径向基函数（RBF）的神经网络基本理论以及攀钢铁水脱硫智能控制模型的建立过程。针对攀枝花钢铁集团有限公司炼钢厂的脱硫预处理过程，国内外目前还没有一套成熟的建模技术来对脱硫过程进行控制。在深入了解国内、国际研究现状，研究并分析脱硫预处理工艺流程特点及对脱硫率的各种影响因素的情况下，本文提出了一种基于径向基函数神经网络的建模方法，对脱硫预处理过程进行智能控制；并根据已经获得的数据来预报未来的操作参数，有效的指导生产，从而提高脱硫率以及后步工序生产的效率和成品钢材的产量和质量。本文在详细分析和深入研究了神经网络基本理论及传统的正交最小二乘算法（OLS）训练RBF网络中心的基础之上，提出用递归正交最小二乘法(ROLS)来训练RBF网络。同时还利用ROLS算法训练网络后所得的有用信息来顺序选择网络中心，即后向选择法。理论研究和仿真实验证明：ROLS法比起批处理正交最小二乘法（OLS）所需的计算空间小，训练速度快；用后向选择法选择中心能最大程度地减小网络的输出误差，使网络结构简化，并且具有更强的泛化能力和逼近能力。在此基础上，用所建立的径向基函数神经网络模型对攀钢炼钢厂的脱硫过程进行离线控制。同统计分析结果比较，得出以下结论：利用改进ROLS算法训练RBF网络比k-均值算法能够得到更加合理的网络结构和网络输出；利用RBFNN所建立的脱硫智能控制模型具有自学习性、自组织性和自适应性，其控制精度达到90%以上；RBF神经网络模型基本可以对脱硫过程进行及时控制；基于RBFNN模型的预测效果优于传统的统计分析结果。