本文对径向基(RBF)神经网络的各种串行在线学习算法进行了系统的分析研究,根据RBF网的原理与串行算法的特征提出了把分布式扩展卡尔曼滤波器(Decoupled Extend Kalman Filter-DEKF)和串行学习相结合的学习方法,新的方法改善RBF网的实时在线学习的性能。RBF网络隐层中心的选择与调整是决定RBF网实时性能的重要因素。本文首先对目前RBF网络隐层结点数选择问题的几种通常的串行算法进行了分析,并指出它们的优点和不足;接着在一种性能优良的串行可裁减学习方法GAP-RBF(Growing and Pruning RBF)的基础上,用DEKF方法替换GAP-RBF的EKF方法,提出了一种改进的用于训练直连型径向基神经网络(Direct Linking Radial Base Function Network-DRBF)的串行学习方法,该方法像GAP-RBF一样不需要对训练数据进行重复学习,因为DEKF的运算量大大低于EKF,学习速度比GAP-RBF快,并且用该方法训练的DRBF网络对含有线性与非线性的函数模拟的性能比一般的RBF网络好。最后,函数模拟实验表明,所提出的算法在保留了原GAP-RBF算法较高的精确度与紧凑的网络规模的基础上,提高了GAP-RBF对单个样本的学习速度。当被模拟的函数同时含有线性与非线性因子时,用该方法训练的DRBF网络的性能比用GAP-RBF训练的RBF网络性能好。