水产业是世界农业的重要组成部分。最近，随着其作为全世界给养之源的角色愈发提高，海洋己得到国内外的关注。随着世界人口不断增加，所有人的营养都有赖于海洋的自然资源。世界渴望取得有关渔业的宝贵知识，并在当代信息及科技领域发展的基础上，进行科学、准确地渔业预测。因此，提供这样的生产模型以使渔业信息高效、准确，远洋渔业高产，并通过情报部门促进海洋渔业的可持续发展已成为研究的重要课题。　　 在一定的水域及时期内，渔业预测涉及海洋资源的不同层面，例如捕鱼季节、渔场、鱼的质量和数量以及捕捞。准确、高效的渔业预测可为渔业主管部门和生产单位提供科学论证以在捕鱼季节获得高效的生产部署和生产管理。　　 本研究提出将径向基神经网络应用于渔场预测。这种网络具有训练速度快、学习精度高等优点，从而在许多领域得到广泛应如：图像处理，语音识别，医疗诊断，时间序列分析及预测。　　 径向基神经网络可以看作一个3层前馈神经网络，它有一个输入层和一个输出层。在输入层和输出层之间有一层隐层神经元。在每一个隐层神经元内，非线形映射功能通过径向基函数实现。径向基函数的参数包括中心位置、宽度和权重。RBF网络学习通常要经历两个阶段。首先，确定隐单元数，每个隐单位是由其中心位置和宽度的值来确定。在本研究中，最初所有的输入都作为备选中心位置和宽度，然后，根据每个备选中心位置计算出与之匹配的MSE（均方误差）。其中具有最小MSE的中心位置被选为中心指标。然后，运用正交最小二乘法以确定隐层到输出层之间的权重。　　 在西南大西洋阿根廷滑柔鱼生产统计和环境数据的基础上，验证了基于径向基神经网络的原型系统在渔场栖息地指数预测方面的应用。在本研究中，共运用了6个渔场影响因子，他们分别是月份（在此期间发生鱼类捕捞量）、经度和纬度，海表温度(SST)，海面高度(SSH)和叶绿素浓度。得到的预测值以渔场栖息地指数的方式呈现，它是由两个不同的指数计算而来的-作业次数和日均产量。　　 本研究还对RBF神经网络与多元线性回归进行了比较实验。利用上述提到的环境因素作为因变量而栖息地指数作为自变量，建立了多元线形回归模型。从RBFNN和多元线性回归的比较研究发现，RBFNN的预测精度要高于多元线性回归方法。　　 本文系统论述了神经网络的历史和径向基函数理论，提出了面向渔场预测的径向基神经网络模型，并利用西南大西洋阿根廷滑柔鱼的数据对此模型进行了验证，结果表明，径向基神经网络应用于渔场预测是可行的，并要优于多元线性回归法。本研究结果为渔场预测提供了新的途径。