使用神经网络进行模式识别是目前发展的一个趋势,本文对神经网络在一类数据样本中的分类进行了研究,主要以建筑材料成分识别为例,验证了神经网络（ANN）应用于建筑材料系统模式识别的有效性。本文使用了改进的RBF（Radial Basis Function）神经网络模型,完成了对神经网络方法的改进分析,并成功的进行了模式识别。 由于数据分类的复杂性,使用目前的分类方法如统计模式识别法、结构模式识别法、神经网络法等都存在着一定的缺点,本文通过对神经网络的分析,采用改进的神经网络模型来进行数据样本分类分析。首先根据RBF神经网络的特点,使用了一种改进的四层RBF神经网络模型,该模型改进了网络的输入表示方式,减少了网络的参数,并根据样本的类型确定其训练方式,加快了网络的训练过程,取得了很好的效果。随后本文根据模式识别分类时所具有的特点,使用区域映射误差方法,并以此方法为基础,结合资源分配网络（Resource Allocating Network）中添加节点的“新性”条件建立区域映射动态RBF网络训练算法。首先以二分类样本为例,证明了该算法在数据样本分类中的有效性。接着以建筑材料中CaO-Al₂O₃-SiO₂系统为例,对材料成分识别领域进行仿真,结果表明,与传统的RBF网络相比,该改进的算法明显的抑制了过大误差,使误差下降更快,减少了训练次数,同时训练结束后可以获得精简的网络结构,从而具有较高的泛化能力。因此可以得出,在数据样本分类领域,改进的神经网络算法会为其研究提供一种有效的途径。