自适应概率神经网络（adaptive probabilistic neural network; APNN），工学-控制科学与工程-智能控制-智能控制，通过自适应迭代优化方法选取高斯核函数平滑因子的概率神经网络，其平滑因子的个数与测量空间维数相同。高斯核函数的平滑因子是影响神经网络泛化推理性能和训练学习时间的重要参数，传统概率神经网络中平滑因子是依据经验或有限样本聚类的方法估计得到，且整个样本空间均采用相同的平滑因子，使得各输入变量对正确分类结果具有相同的影响和作用，不能真实反映各输入变量对正确分类结果的实际作用。自适应概率神经网络对此做了重要改进，每个输入变量选用不同的平滑因子，并通过自适应迭代优化方法利用样本数据计算最优的平滑因子，其中自适应迭代优化方法包括共轭梯度法、期望值最大法、粒子群优化算法等。自适应概率神经网络本质上是一种改进的概率神经网络。它继承了传统概率神经网络的分类功能，且由于选用了优化后的平滑因子，通常能使神经网络获得较高的分类精度；但是平滑因子的寻优过程增加了网络的训练学习时间，因此需要较大的存储空间。