γ能谱测量作为在核辐射探测中一种重要方法,是解决核辐射粒子在环境中产生辐射等有关问题的重要手段之一。通过各种探测器对γ射线进行探测、收集,然后分析数据等便可识别发射γ射线源属于何种元素及给中元素的含量或者活度。因此,对所得到的γ能谱进行分析,主要包括了γ能谱的测量和数据的采集,谱数据的解谱分析等。由于探测器本身固有的统计涨落及受电子学系统噪声的影响,在核能谱数据处理过程必定会产生误差,为了减弱其误差带来的影响,对能谱数据进行平滑处理是非常必要的。首先介绍径向基函数(Radical Basis Function,RBF)神经网络,再通过建立、学习和训练,显示出RBF神经网络具有结构简单、训练速度快,并且有比较强的抗干扰能力,特别是能达到很好的逼近效果。其次,我们将RBF神经网络应用到对能谱的平滑当中,并通过建立不同函数的RBF神经网络,相同的扩展系数和建立相同的RBF神经网络,不同的扩展系数,选取对核能谱平滑能达到最优效果的RBF神经网络和扩展系数。最后,我们通过实例,将建立的最优RBF神经网络与传统的多项式最小二乘法同时对某一能谱进行平滑,利用“平滑度”这一评价指标,对两者的平滑效果做出分析和结论。通过结果分析,可知利用RBF神经网络对能谱进行平滑后取得的效果都明显优于多项式最小二乘法,并且利用RBF神经网络可以根据平滑的不同要求进行参数选择。进行精细平滑时,可通过减小扩展系数,在数据非常多且需要进行快速平滑时,可选择newrbe函数建立的RBF神经网络进行平滑处理。