RBF神經網絡算法是由三層結構組成，輸入層至隱層為非線性的空間變換，壹般選用徑向基函數的高斯函數進行運算；從隱層至輸出層為線性空間變換，即矩陣與矩陣之間的變換。
RBF神經網絡進行數據運算時需要確認聚類中心點的位置及隱層至輸出層的權重。通常，選用K-means聚類算法或最小正交二乘法對數據大量的進行訓練得出聚類中心矩陣和權重矩陣。
壹般情況下，最小正交二乘法聚類中心點的位置是給定的，因此比較適合分布相對規律的數據。而K-means聚類算法則會自主選取聚類中心，進行無監督分類學習，從而完成空間映射關系。
RBF網絡特點
RBF網絡能夠逼近任意非線性的函數(因為使用的是壹個局部的激活函數。在中心點附近有最大的反應；越接近中心點則反應最大，遠離反應成指數遞減；就相當於每個神經元都對應不同的感知域)。
可以處理系統內難以解析的規律性，具有很好的泛化能力，並且具有較快的學習速度。
有很快的學習收斂速度，已成功應用於非線性函數逼近、時間序列分析、數據分類、模式識別、信息處理、圖像處理、系統建模、控制和故障診斷等。
當網絡的壹個或多個可調參數（權值或閾值）對任何壹個輸出都有影響時，這樣的網絡稱為全局逼近網絡。由於對於每次輸入，網絡上的每壹個權值都要調整，從而導致全局逼近網絡的學習速度很慢，比如BP網絡。