本文在充分研究了现有人工神经网络特点的基础上，借助插指函数理论，提出了训练后的神经网络权是输入样本的函数的新概念，并以此成功的构造了一种新的人工神经网络——三次样条插指权函数神经网络。与传统的神经网络不同，本文的神经网络以三次样条插指函数作为权函数，输入层直接和神经元相连，且训练后的神经网络权是输入样本的函数(称为权函数)，而不是传统方法的常数。它的输入输出形式为：当输入样本向量是m维时，输入端有m个结点，该结点通过连接权前馈连接到所有神经元的输入端；当输出样本向量是n维时，输出端有n个结点，它将第j(j=1，2，…，n)个神经元的运算结果直接输出。 本文提出的新网络算法克服了传统前馈神经网络学习算法(如BP算法、RBF算法等)训练权值难以反映训练样本信息的缺陷，能够很好地反映样本的信息特征，而且随着样本个数的增加，网络的泛化能力也在增强。此外，新网络结构简单，主要计算工作量是求解样条权函数，所以速度快，不存在传统算法的局部极小、收敛速度慢、初值敏感性等问题。实例的数值仿真结果表明，本文提出的三次样条插指权函数神经网络是可行和有效的，并具有较好的精确性。 论文中还给出了三次样条插指函数作为权函数的算法步骤，并对样本处理过程做了详细表述。