神经网络对各个自变量的敏感性分析一直是神经网络研究的热点之一。本文主要是把神经网络的各个输入变量看作自变量,定义了一种新的敏感性定义。首先,在概率测度空间上,利用依概率测度收敛,定义了多随机变量函数的偏导数。本文把神经网络的各个输入变量看作随机变量,来讨论神经网络对各个输入属性的敏感性。本文把神经网络对第i个输入变量的敏感性,定义为神经网络对第i个输入变量的偏导数平方的数学期望。当神经网络的类型已知,各个输入变量的联合分布函数已知,就可以明确的求出神经网络对各输入变量的敏感性计算式。而且这种敏感性定义式,可以应用到神经网络的剪枝中,也可以应用到数据集的特征属性选取中。本文把提出的敏感性定义应用到径向基函数神经网络的冗余属性删除中,并把本文提出的敏感性定义与Zurada等人提出的敏感性定义作比较。实验结果表明,在网络的冗余属性删除的过程中,在不降低网络的测试精度的前提下,本文提出的敏感性能更有效的选择删除网络的冗余属性。