目前,深度学习技术被越来越多的应用于各行业各领域内,然而随着深度学习技术的成长以及数据量的飞速发展,串行化的神经网络模式已经越来越难以满足现在的需求了。径向基函数神经网络（Radial Basis Function Neural Network,RBFNN）是一种结构简单、具备可以逼近任何非线性函数能力等优点的三层前馈型神经网络,被广泛应用于模式识别以及多种预测等领域。但是,其在实际运用过程中,选择合适的RBFNN大小是一个耗时的过程,手动选择网络大小的过程需要进行大量实验,结果可能缺乏通用性。本文针对缺乏通用性的RBF神经网络大小选择的情况,将RBFNN与粒子群算法（Partical Swarm Optimization,PSO）相结合,提出了一种可以通过最优粒子调整自身网络大小的RBF神经网络,并且在此基础上,为了解决RBF神经网络面对数据规模庞大的情况时,串行化训练周期过长的问题,将其与一种基于健康度的粒子群改进算法相结合,提出了一种可用于预测的,基于RBFNN的并行化模型。本文的工作主要如下:本文首先在深入研究了RBF神经网络算法的基础上,将RBF神经网络的参数设定与粒子群优化算法相结合,并在PSO算法中加入对惯性权重作出非线性自动调整的策略,从而提出了一种可以自适应改变结构的RBF神经网络,并且通过基于Mackey-Glass时间序列预测,对其性能进行了验证。然后本文对基于健康度的PSO算法进行改进优化,提出了一种基于健康度的自适应改变惯性权重的粒子群（HHAPSO）算法,通过将粒子状态依据健康度进行划分成三种状态,分别对不同健康状态的粒子采取不同的搜索策略的方式,从而增强了算法的搜索能力以及丰富了粒子种群多样性,克服了之前易陷入局部最优解,算法的全局以及局部搜索能力不足的问题,通过实验对该算法进行了有效性的验证,并且将HHAPSO算法与可自适应改变网络结构大小的RBF神经网络相结合,提出了一种可用于预测的基于RBFNN的并行化模型。最后本文通过在基于Spark平台的多节点环境下,对所提出的HHAPSO-RBFNN预测模型分别进行了函数逼近验证实验以及一个对交通的车流量预测实验,通过实验的数据对比,验证了本模型的有效性以及可靠性。