神经网络理论的研究经过半个多世纪的发展，已经取得了丰硕的成果，然而，其中大部分的研究成果都是对已有的传统神经网络的改进，没能从根本上解决制约神经网络应用与发展的收敛速度慢、局部极小等的缺陷。因此从根本上改变神经网络训练的方式才是解决问题的关键。南京邮电大学的张代远教授经过大量的理论研究，提出了一种全新的神经网络训练方式——样条权函数神经网络训练算法[1][2]。该训练算法解决了传统神经网络(如BP、RBF)局部极小、收敛速度慢、初值相关的缺陷。理论及实验已经证明样条权函数神经网络具有良好的网络性能。　　 本文在张代远教授研究的基础上，对样条权函数神经网络理论进行了拓展，给出了一种有理样条权函数神经网络训练算法。该算法采用带两个参数的分母为线性，分子为三次的有理样条作为神经网络的权函数。由于三次多项式样条是有理样条的一种特殊形式，因此本文所给出的有理样条权函数神经网络可以说是对张教授所提算法的扩展，与之相比具有更为一般的形式。本文还给出了有理样条权函数神经网络的数据仿真实验，与传统的BP算法和RBF算法的比较实验证明，有理样条权函数神经网络具有更好的网络性能。　　 结合神经网络的实际应用领域，本文给出了有理样条权函数神经网络在文本分类中的应用。给出了有理样条权函数神经网络作为文本分类器的设计过程，对网络结构的确定，输入数据、输出数据的表示，训练过程，分类过程，进行了详细的阐述。通过实验，证明了有理样条权函数神经网络文本分类器，与传统分类器相比具有更高的分类精度。