径向基函数(RBF)神经网络是一种具有单隐层的三层前馈网络，其网络结构和学习算法与BP网络有着很大的差别，在一定程度上克服了BP网络的缺点。目前，RBF网络仍然是智能控制领域的研究热点之一。RBF神经网络是模拟人脑中局部调整和相互覆盖接收域的神经网络结构，是一种局部逼近网络，它可以以任意精度逼进任意连续函数。RBF神经网络的设计问题可归纳为网络隐含层基函数的中心、宽度和隐含层到输出层权值的性能指标最小化问题。然而有效地确定RBF网络的结构和参数却没有系统的规律可循。遗传算法(GA)是模拟自然遗传学机理和生物进化理论而形成的一种全局并行的随机搜索方法，具有比较好的鲁棒性和全局收敛性。遗传算法与RBF神经网络的结合为解决这些难题提供了一条有效的途径。本文提出了一种改进的遗传算法设计RBF神经网络的结构和参数，以优化RBF神经网络隐含层节点数目、隐含层基函数的中心、基宽和输出的线性权值，使网络的性能指标最优。　　 本文主要工作如下：　　 1.针对遗传算法易陷入局部最优和收敛速度慢的问题，提出了一种具有参数动态调节功能的改进遗传算法。在本算法中，引入个体的最大适应度值、最小适应度值和平均适应度值这三个变量来衡量群体的集中程度，使得算法能够根据种群个体的分布特性在运行过程中自动地调节遗传操作的参数以改进算法的全局寻优性能。仿真实例证实这种方法比标准GA和自适应GA具有更好、更快的收敛性。　　 2.针对RBF神经网络的不足及遗传算法的特点，在改进遗传算法的基础上提出了一种采用递阶遗传编码方案的混合递阶遗传算法，用该算法优化RBF神经网络的隐含层结构、隐含层中心值、基宽和输出的线性权值。通过仿真实例证实这种方法优于基于梯度下降法的辨识结果。　　 3.将基于改进遗传算法的RBF神经网络应用到转炉炼钢的终点温度预测研究中，仿真研究表明了所提出算法的有效性。