本文的主要目的就是在第一类权函数神经网络理论的基础上，类推出第一类Padé权函数神经网络的拓扑结构，然后推导出第一类Padé权函数神经网络的算法复杂度，并且给出误差分析。然后通过实验验证理论结果，并且验证第一类Padé权函数神经网络在算法复杂度优于传统的神经网络。本文研究的是第一类Padé权函数神经网络算法复杂度。第一类Padé权函数神经网络结合了权函数神经网络与Padé逼近的优点，是一种特殊的权函数神经网络。本文在第一类权函数神经网络的理论基础上，结合牛顿插值和Padé逼近的相关理论，对第一类Padé权函数神经网络算法的步骤进行了介绍，根据算法复杂度的定义，通过对算法关键步骤的运算次数的分析，得出算法的时间复杂度，然后分析了网络误差，并利用Matlab仿真实验对结果进行了验证。文中推导出了第一类Padé权函数神经网络的算法复杂度的复杂度公式，得到结论是算法复杂度与样本输入维数、输出维数以及样本点个数有关。从仿真试验的结果可以看出第一类Padé权函数神经网络算法复杂度在输入、输出维数确定的情况下，关于样本数呈二次多项式级别的复杂度关系；在输入样本数、输出维数确定的情况下，关于输入维数呈多项式级别的复杂度关系；在输入样本数、输入维数确定的情况下，关于输出维数呈多项式级别的复杂度关系。通过仿真实验验证了三个方面：第一类Padé权函数神经网络算法复杂度公式理论结果准确；第一类Padé权函数神经网络的误差很小；第一类Padé权函数神经网络比传统神经网络（BP,RBF）有更好的训练速度。说明第一类Padé权函数神经网络的算法复杂度较低，网络误差也比较小，在复杂的问题上花费的训练时间相对传统网络较少，具有明显的优势。应用部分研究的是入侵检测问题，给出了基于第一类Padé权函数神经网络算法的入侵检测系统的基本原理。多次实验证明，基于第一类Padé权函数神经网络的入侵检测系统有很高的检测效率与正确率。