张代远教授在其专著《神经网络新理论与方法》中提出的权函数神经网络模型简化了网络结构，克服了传统神经网络算法局部极小、收敛速度慢、难以求得全局最优点等缺陷。B-样条权函数神经网络作为一种特殊的权函数神经网络，结合了权函数神经网络与B-样条曲线的优点。当训练好的神经网络受到噪声扰动时，其权值就会发生波动，从而导致网络的输出偏离目标值，另外，如果输入样本本身带有噪声，也会影响神经网络的输出，利用灵敏度的概念可以分析这种变化及影响。不少学者对神经网络的灵敏度进行过研究，张代远教授在其专著中采用递推方法得到了三层前馈神经网络的统计灵敏度计算公式，本文在此基础上研究B-样条权函数神经网络的拓扑结构和训练算法，然后根据统计灵敏度的定义，推导出了B-样条权函数神经网络的灵敏度计算公式。最后通过仿真实验验证了B-样条权函数神经网络具有良好的逼近能力、泛化能力以及理论灵敏度公式的正确性。基于对B-样条权函数神经网络灵敏度的理论分析，根据数字调制信号识别的理论，提取信号的五个瞬时特征参数，本文把B-样条权函数神经网络的灵敏度分析用于调制信号识别中。从仿真实验结果可知，B-样条权函数神经网络分类器不仅具有传统神经网络分类器的优点，而且分类器结构简单，识别率高，加入灵敏度分析后，还可以进一步提高识别率