径向基函数神经网络以其简单的结构，优良的全局逼近性能而引起了人们的广泛关注。由于径向基函数神经网络的独特的拓扑结构和训练方法，使得它在函数逼近和非线性系统预测等领域得到广泛地应用。近年来国内外在径向基函数神经网络用于曲面重构方面的研究工作比较多，普遍人们常用的是使用三个独立的径向基函数网络分别得出曲面的三坐标与参数之间的关系，从而间接得到曲面三坐标之间的关系，这势必将影响到网络的训练速度和曲面重构的精度。本文研究如何用一个径向基函数先直接得到拟重构曲面的一种映射关系，这种映射关系通过网络的权值和阀值来修正，其修正方法采用梯度下降算法，通过该算法对其映射关系训练，通过训练学习，逐次逼近到所要拟重构曲面。该重构算法具有很强的鲁棒性和较高的重构精度。此外，本文还给出了径向基函数神经网络散布常数选择的一种方法，因为散布常数选得太多，易导致过拟合现象；散布常数选得太少，易导致曲面重构误差过大。最后，本文通过仿真实验研究散布常数对网络性能的影响以及如何用径向基函数神经网络去用于散乱点的曲面重构。