针对传统神经网络学习算法（如BP算法、RBF算法）等训练权值难以反映训练样本信息的缺陷，南京邮电大学的张代远教授在专著《神经网络新理论与方法》提出了样条权函数神经网络算法，样条权函数神经网络算法能够很好地反映样本的信息特征，而且随着样本个数的增加，网络的泛化能力也在增强。本文在张代远教授的研究基础上，首先利用倒差商－连分式方法，构造了以有理函数作为权函数的新型人工神经网络－有理权函数神经网络；然后结合有理权函数神经网络结构对网络在多输入单输出和多输入多输出两种情况下的误差进行分析。分析结果表明，训练样本个数越多，误差值越小；最后通过实例来验证有理权函数神经网络算法的逼近能力、泛化能力以及处理多维输入与输出的能力，且从计算精度和时间效率两方面将其与传统算法（BP算法、RBF算法）作比较。实例的数值仿真结果表明，本文中的有理权函数神经网络是可行和有效的，并具有较好的精确性。　　 在应用部分，由于神经网络十分适合处理非线性和含噪音的数据，尤其是对那些以模糊、不完整、不严密的知识或数据为特征的处理问题。基于此研究了基于有理权函数神经网络的分类数据挖掘方法。并将此算法在IRIS数据库上进行了实验和对比分析，实验结果表明此算法较传统算法（BP算法、RBF算法）在收敛速度和分类精度上均有明显提高。