本文详细论述了径向基神经网络算法及其基于混沌遗传优化的改进型径向基神经网络算法，以及该算法在转炉提钒静态模型的建立过程中的应用。通过参考国内外研究成果，研究并分析了径向基神经网络的研究成果和当前的进展，针对传统径向基神经网络算法存在的不足以及所需要解决的工程问题，本文提出了一种基于混沌遗传算法的改进型径向基神经网络的建模方法。针对目前国内外还没有一种成熟可靠的数学模型来对转炉提钒过程如何操作进行控制和指导，用该算法辨识转炉提钒的反应过程；并且在实际生产运行中，根据提钒前的检验数据来预测提钒时应该怎样进行操作才能保证良好的提钒效果和半钢质量，从而达到工艺生产目标的实现。本文根据建模的需要，对建模和优化方法进行了研究和改进。首先，本文详细分析了遗传算法进行全局搜索的基本原理之后，考虑到遗传算法在种群进化质量方面的局限性，一方面自适应地调整交叉变异概率的方法来提高种群进化质量，另一方面提出了利用混沌序列的内部有规律性对种群的初始值进行变化，这两种措施的提出克服了遗传算法的“早熟"现象的出现，并且仿真实验验证了此混沌遗传算法的有效性。接着，本文深入探讨了神经网络基本理论以及传统径向基神经网络的学习算法，在此基础上，针对径向基神经网络逼近能力和泛化能力不理想的问题，将径向基神经网络和混沌遗传算法相结合，充分利用径向基神经网络的逼近能力和混沌遗传算法的全局搜索能力。结合点就是采用混沌遗传算法来求解径向基神经网络隐层到输出层的权值，并且仿真实验验证了改进型径向基神经网络算法的合理性。在经过比较，确定了用改进型径向基神经网络建立转炉提钒静态数学模型，并用建立静态模型对转炉提钒过程进行离线控制。同传统的径向基神经网络控制结果比较，得出以下结论：利用混沌遗传算法求解径向基神经网络的权值比用梯度下降法调整权值的方法更容易达到全局最优解，而且提高了神经网络的逼近非线性系统的精度和速度；利用改进型径向基神经网络建立的转炉提钒模型具有自学习性、自组织性和自适应性，用该模型预测提钒辅料加入量后，钒、碳、半钢温度的各项指标的命中率均得到提高，具有生产使用价值。