In dieser Arbeit zu künstlichen neuronalen Netzen werden mit den PRK-Netzen konnektionistische Netze für Klassifikationsprobleme mit überwachtem Lernalgorithmus vorgestellt. Die Klassifikation erfolgt über Repräsentanten, die positiv zu jeweils einer Kategorie klassifizieren, die aber auch fremde Kategorien hemmen können. Die Anzahl der Repräsentanten wächst bei Bedarf. Der Lernprozess findet online im Vorwärtsdurchlauf durch das Netz statt, so dass Trainings- und Testdaten prinzipiell gleichberechtigt behandelt werden. Sämtliche Neuronen einer Schicht arbeiten immer parallel. Die Ausgabe lässt mehrere Klassifizierungen gleichzeitig zu. In der Klassifikation ähneln diese Netze damit den RBF-Netzen, im Lernalgorithmus unterscheiden sie sich aber deutlich. Der Darstellung der Netze folgt eine theoretische Betrachtung, die einige Kennzeichen und Besonderheiten der PRK-Netze ergibt, und eine Untersuchung der praktischen Qualität der PRK-Netze mit Hilfe von bestehenden Benchmarktests.