面向时间序列建模及预测应用,针对RBF神经网络训练中结构设计问题和权值修正问题,本文分别提出改进的单目标RBF神经网络设计方法和改进的多目标RBF神经网络设计方法。论文所做主要工作概括如下：1)将RBF网络结构权值优化问题看作是样本训练误差最小化问题,提出一种改进的单目标进化RBF神经网络设计方法,该方法在优化神经网络权值的同时,具有结构自适应调整能力；2)基于网络结构与权值优化的综合多目标进化思想,提出一种改进的多目标进化RBF神经网络设计方法。该方法综合考虑RBF神经网络的训练误差、泛化能力与网络结构复杂度等优化目标,提出了一种基于Pareto方法的改进的非支配排序遗传算法,增加种群排序和精英保留过程,保持种群的多样性,防止过早收敛,以获得一个分布性和均匀性都很好的最优解集；3)基于企业订单预测和径向基函数网络建立RBF预测模型,利用上述提出的2种优化算法对其进行训练。对某企业的订单数据预测的实验与应用结果表明,基于上述改进方法来优化RBF网络模型,具有更好的预测能力。本文针对进化神经网络及其在动态时间序列预测中的应用进行研究,提出了改进的进化训练方法,对实际企业订单的预测应用结果表明了改进方法的有效性,本文研究成果对其他应用领域也具有一定的理论意义与实际参考价值。