动态系统模式识别是实际工程领域和科学研究中普遍存在的问题。针对时变信号人工神经网络识别问题,近年来国内外学者提出了若干基于传统BP神经元改进的判别模型,这些网络模型在解决系统过程式输入和时间顺序依赖性问题时,通常是将时间关系转化为空间关系(时间序列)后,再以外部延时环节实现输入输出之间的动态映射,即构成一个时间离散化的循环网络来完成过程信号的模式识别。但这些模型的本质还都是基于传统神经元,并未改变神经元本身的信息处理机制。过程神经元网络是近几年提出的一种新型人工神经网络模型,其输入、输出以及连接权均可以是时变函数,过程神经元在传统BP神经元空间聚合运算的基础上,增加了一个对于时间效应的累积算子,在机制上具有对过程模式特征的直接提取能力,其对时变信号过程特征的记忆直接反映在网络结构、时空聚合算子形式和网络连接权函数上,因此,采用过程神经元网络可建立单一模型的时变信号模式识别器,同时由于过程神经元网络模型建立的灵活性,其方法可普遍应用于各种具体的动态模式识别应用问题。论文针对不同动态系统模式识别问题,分别建立了基于过程神经元网络、模糊过程神经元网络、过程支持向量机的动态模式识别模型和方法,并对这些模型的信息处理机制和对问题求解的适应性进行了分析,提出了不同网络模型的求解算法,特别是新建立了一种基于勒让德函数正交基展开的过程神经元网络学习算法。不同仿真问题的实验结果验证了论文所建立的模型和算法的有效性。论文概括介绍了模式识别和人工神经网络的基本原理和方法,针对不同的动态模式识别问题,详细描述了过程神经元网络模型、模糊过程神经元网络模型、基于函数基展开的过程支持向量机模型,以及相应模型的学习算法和实现技术,同时针对每种模型和算法进行了仿真实验和结果分析。将过程神经元网络用于动态系统模式识别研究,可利用过程神经网络同时具有的对时、空二维信息的处理能力和对系统输入/输出及内部状态的非线性变换能力,以及网络结构模型构建的灵活性,在机制上对于问题求解具有很好的适应性。同时也可将过程神经元网络应用于信息检索、信息过滤、数据挖掘等多个实际领域,具有良好的实际应用前景。