算法复杂度是衡量算法计算难度的尺度，对算法复杂度的分析是一个重要课题，最普遍的评价标准是一个算法需要耗费的时间和空间。一个好的算法可以提高运行和存储效率，对第二类B-样条权函数神经网络的算法复杂度进行研究的目的就是证明其是一个非常优秀的算法。样条权函数神经网络作为一种新型结构的人工神经网络，其训练算法和拓扑结构首次在《神经网络新理论与方法》一书中提出的。本文的研究是在样条权函数神经网络的相关概念的基础上，结合B-样条函数相关性质和分析方法，以及算法等方面知识，推导出第二类B-样条权函数神经网络时间复杂度的计算公式。第二类B-样条权函数神经网络时间复杂度公式表明其时间复杂度与插值B-样条基函数的次数、网络输入输出维数、训练样本点个数都有关系，当插值B-样条基函数的次数很高时，该算法时间复杂度呈现指数级增长，当插值B-样条基函数的次数较低时，该算法时间复杂度与网络输入输出维数呈线性增长，与训练样本个数也是呈线性增长的。通过Matlab仿真实验，验证了第二类B-样条权函数神经网络时间复杂度公式的正确性，而且与传统神经网络相比在训练时间上有较大的优势。基于第二类B-样条权函数神经网络算法复杂度的理论分析，将第二类B-样条权函数神经网络应用到车牌识别领域，将车牌图像分割成单个的字符，建立网络分类器识别每个字符，根据K-L变换提取车牌字符图像的特征作为网络的输入，根据网络输出的结果判断是否为该字符，最终得到识别出的车牌结果。通过Matlab仿真实验表明，第二类B-样条神经网络分类器能够准确的识别出车牌结果，而且具有识别率高，速度快等优势。