RBF模型，全稱徑向基函式模型，是一種前向神經網路結構，由Moody和Darken於1988年提出。RBF模型能夠以任意精度逼近任意連續函式，特別適合於解決分類問題。
RBF模型的結構是一種三層前向網路，包括：
輸入層：由信號源節點組成
隱層：隱單元數視問題需要而定，隱單元的變換函式為非負非線性的函式RBF（徑向基函式）
輸出層：輸出層是對隱層神經元輸出的線性組合。
徑向基函式是取值僅僅依賴於離原點距離的實值函式，即φ(x)=φ(||x||)（也可以是離任意點的距離，距離一般使用歐式距離，也可以是其他距離函式）。任何滿足該特性的函式都叫做徑向基函式，通常定義為空間中任一點x到某一中心c之間歐氏距離的單調函式。
RBF模型包括正則化RBF網路和通用逼近器。正則化RBF網路是一種通用逼近器，只要有足夠的節點，它可以以任意精度逼近任意多元連續函式。它具有最佳逼近特性，即對於任意非線性函式，總可以找到一組權值使得網路對於該函式的逼近優於所有可能選擇。