神经网络吸取了生物神经网络的许多优点，它具有高度并行性、非线性的全局作用，以及良好的容错性与联想记忆功能，并且具有很强的自适应、自学习能力。随着神经网络技术的不断发展，其应用领域在不断拓展，如模式识别、图像处理、控制及优化、金融预测与管理和通信等领域。径向基函数(radial basis function，简称RBF)神经网络作为人工神经网络的一种，以其以其训练简洁，学习效率快，不易陷入局部极小等优点，在模式识别领域中得到越来越广泛的关注和应用。虽然常用的RBF神经网络比较容易构建，但因其结构通常固定或者复杂度较高，从而导致学习时间过长或者网络资源的浪费。针对上述原因，本文通过对常用的RBF神经网络学习算法的分析，提出一种基于模糊演化卡尔曼滤波的改进的RBF神经网络学习算法。卡尔曼滤波是线性最小方差估计，并且当系统为一致完全可控与一致完全可观测条件下，稳态滤波效果与滤波初值的选取无关，即滤波器具有稳定性。但是，这些结论的获得是以系统数学模型精确为前提的。设计卡尔曼滤波器时，首先必须已知系统方程和观测方程的模型以及系统噪声和量测噪声的统计特性。由于对系统的认识不全面，或为简化计算而导致模型简化，往往使确定的模型与实际不符，加之精确的噪声先验统计特性很难获得，因此，滤波除了可能会产生发散现象外，必然会产生滤波误差。针对这一问题，传统的做法是：在系统噪声和量测噪声的统计特性无法精确获得的情况下，如知道它们可能的取值范围，则采用它们可能的较大值，亦即保守值。本文针对这一问题提出了另一种可行的解决方案，在系统噪声和量测噪声的统计特性无法精确获得的情况下，如知道它们可能的取值范围，首先应用演化算法，从可能的取值范围中，离线计算出系统噪声和量测噪声的统计特性参数，使其尽可能地接近精确值，并针对实时计算中产生的误差，设计相应的模糊控制器，进行实时监控，根据控制条件对系统噪声和量测噪声的统计特性参数进行在线调整。将其应用到神经网络训练中，通过实例验证以及和其它算法的比较，得出该算法的可行性和优越性。本文首先介绍了人工神经网络基本理论和径向基函数RBF网络，并介绍了RBF神经网络现有学习算法等。研究了卡尔曼滤波理论和改进的滤波算法，如扩展卡尔曼滤波，模糊自适应滤波等，以及卡尔曼滤波在训练神经网络中的应用。在以上研究的基础上，提出了基于模糊演化卡尔曼滤波的RBF神经网络学习算法，并在UCI数据集上进行了实例验证。在实验的基础上，通过和其它神经网络学习算法相比，得出该算法具有较高的学习效率，训练出的网络具有较高的识别精度。