神经网络作为一种能够通过自我学习的智能网络系统，已经在各种人工智能领域得到了广泛的运用。而神经网络自我学习的根本实质就是由已知的训练样本求得近似而准确的各组权向量和相应的偏置值。然而传统神经网络的权值都是离散的常数，训练的权值和训练样本之间难以体现出某种必然的内在联系。传统的学习算法是通过对随机产生的权值向量进行多次代数迭代的方法而达到权值收敛性的训练。为了满足实际的各种应用，传统的神经网络模型一般超过三层的网络结构，各层神经元个数的选取也是不确定的，并且需要通过各种迭代对隐含层进行反复的扩展或修改。基于这些考虑，张代远教授在专著《神经网络新理论与方法》率先提出神经网络权函数的概念，将传统的与训练样本无关的权值和激活函数转变为统一的以训练样本为自变量的权函数。权函数神经网络模型克服了传统的神经网络结构复杂的缺点，简化了网络结构；其理论与方法摆脱了传统算法的局部极小、收敛速度慢、且难以求得全局最优点等缺陷。　　 本文以Padé逼近形式的权函数作为神经网络的模型，利用样本插值函数构造出相应Padé权函数，新构造出来的神经网络模型具有结构简单，精确度高，泛化能力强，收敛快速等优点。然后对所得的Padé权函数神经网络的网络误差进行分析。最后，通过仿真实验，在均方差和运算速度方面与传统的BP，RBF神经网络算法进行对比分析，说明Padé权函数神经网络具有很高的精度和收敛速度。　　 结合实际的应用，本文给出了Padé权函数神经网络运用于路由算法的优化，对具有多QoS约束的路由技术，通过其各个QoS参数而构造统一的代价函数，并运用于路由选择算法之中。最后，通过数据分析和仿真与传统的BP神经网络进行比较，由相应的结果表明，Padé权函数神经网络能更好的为多QoS约束路由提供一种新的有效途径。