近年来,复数值神经网络以其强大的计算能力、较强的泛化能力和相对较小的网络结构而成为神经网络研究领域中的新分支。特别地,径向基函数神经网络则以其简单的网络结构、简洁的训练过程和较快的收敛速度在图像处理、模式识别等领域得到广泛应用。径向基函数神经网络中有如下参数需要确定:权值和中心。而中心参数又包括中心位置、中心个数和对应的宽度,它在确定网络模型时起着决定性的作用。因为中心参数确定后,网络从输入到输出就是一个线性关系,权值可以通过解线性方程组求得。因此,中心参数的确定是径向基函数神经网络能否有更广阔的应用前景所必须解决的问题。本论文针对径向基函数神经网络中心参数的确定方式提出了三种学习算法,具体如下:一、改进的可调内核正交最小二乘法确定隐含层中心参数的算法。该算法加入了随机遍历和过滤候选中心过程,随机遍历过程能保证新产生的中心较样本集中的更好,过滤候选中心来确保所选的中心符合正交最小二乘法的下降规律。二、基于密度的加权均值确定隐含层初始中心参数的算法。该算法是利用密度加权均值法来解决梯度下降法中随机初始中心的盲目性导致影响算法性能的问题。三、基于重复加权全局搜索优化策略的聚类估计确定隐含层中心参数的算法。该算法是首次将重复加权全局搜索法与聚类估计相结合,在可行解空间中搜索最优中心,并改进了聚类估计中的参数确定方式。我们将上述第一种算法应用到了非线性函数逼近和模式分类,该优化算法较之原始算法表现出更好的逼近和泛化能力。后两个算法则被应用到了信号处理的信道均衡问题中。实验结果表明,这两个算法比复数值反馈递归网络和管线决策式反馈递归网络等具有更好的泛化能力。