径向基函数（Radial Basis Function，RBF）是一个取值仅取决于到原点距离的实值函数，也可以是到任意一中心点的距离，任何一个满足上述特性的函数都可以称为RBF。我们可以从网上看到许多的RBF神经网络的介绍，这里就不再过多的进行阐述了，主要来说下RBF神经网络的相关问题。
（1）RBF神经网络输入层到隐含层不是通过权值和阈值进行连接的，而是通过输入样本与隐含层节点中心之间的距离连接的。训练RBF神经网络时，需要确定隐含层节点的个数、隐含层径向基函数中心、标准化常数以及隐含层到输出层的权值等参数。目前为止，求RBF神经网络隐含层径向基函数的中心向量和标准化常数是一个困难的问题。
（2）径向基函数，也就是径向对称函数有多种，对于同一组样本，如何选择合适的径向基函数、确定隐含层节点数等参数，从而使RBF神经网络学习达到所要求的精度，目前还是无法解决，目前，使用计算机选择、设计、再实验是一种通用的手段。
（3）RBF神经网络用于非线性系统辨识与控制，已经证明RBF神经网络具有唯一最佳逼近的特性，且无局部极小值，虽然具有唯一最佳逼近的特性，以及无局部极小的优点，但隐含层节点的中心难求，这也是RBF神经网络难以广泛应用的原因。
（4）从理论上而言，RBF神经网络和BP神经网络一样可近似任何的连续非线性函数，两者的主要不同点是在非线性映射上采用了不同的作用函数，BP神经网络隐含层激活函数使用的是Sigmoid函数，其函数值在输入空间中无限大的范围内为非零值，即该激活函数为全局的，而RBF神经网络隐含层激活函数使用的是高斯函数，也就是它的作用函数是局部的。
（5）与BP神经网络收敛速度慢的缺点相反，RBF神经网络学习速度很快，适于在线实时控制，这是因为RBF神经网络可以把一个难题分解成两个比较容易解决的问题，首先，通过若干个隐含层节点，用聚类方式覆盖全部样本模式，然后，修改隐含层到输出层的连接权值，以获得最小映射误差，这两步都是很直观的。