模式分类系统中样本之间由于存在着高度复杂性和非线性关系，从而导致样本不易分类。而人工神经网络可以通过网络学习，将反映系统内在规律的神经网络隐含于网络结构和参数中，因此人工神经网络逐渐成为解决模式分类问题的一种常用方法。径向基函数(radial basis function，简称RBF)神经网络作为人工神经网络的一种，以其牢固的插值理论为基础，并且具有学习速度快、不易陷入局部极小等优点，逐步取代反向传播(back propagation，简称BP)学习算法在模式识别领域中得到越来越广泛的关注和应用。虽然常用的RBF神经网络比较容易构建，但因其结构通常固定或者复杂度较高，从而导致学习时间过长或者网络资源的浪费。针对上述原因，本文通过对常用RBF神经网络学习算法的分析，提出一种改进的RBF神经网络学习算法(MPIRAN，maxerror-pruning-improved-RAN)，该算法从降低网络复杂度出发，在学习过程中选取产生最大误差的样本代替顺序输入的样本以此改变RAN新性条件，当不满足新性条件时，使用相似度参数调整隐层节点中心位置，并且为进一步减小网络结构，采用FPE剪枝策略，使得网络复杂度和拟合度达到较好的结合。在MPIRAN学习算法的基础上，从提高网络学习效率的角度出发，避免FPE剪枝策略的低效性，提出MRIRAN(maxerror-RBFLN-improved-RAN)学习算法。该算法使用RBFLN(radial basis functional link network，称为径向基链网络)结构，增加输入层对输出层的影响以提高学习精度，并且在不满足新性条件时，增加相似度参数对隐层节点宽度的调整。为证明该算法的有效性，将该学习算法应用于建筑材料成分分类问题，并辅以二维异或分类问题，仿真结果表明该算法可大大简化网络结构，有效调整隐层节点参数，实现样本的正确分类，提高网络学习能力与校验能力，为解决模式分类问题提供了一个有效的途径。