近年来，示波分析不管是从方法原理上还是从测定方式上，都取得了长足的发展。示波电位法和示波计时电位法的理论逐渐成熟；示波滴定已经成为滴定分析的一个新领域；在示波测定方面，如何提高示波信号的信噪比，改善示波图的分辨率、重现性以及进行微量乃至于痕量组分自动测定已经成为研究的主要内容。本论文对神经网络及其与小波变换相结合用于示波测定进行了系统的研究，较好地消除示波测定中人为误差的影响，提高了示波测定的自动化程度，全文共分四章。作者的贡献主要有以下四点：1．先用小波变换扣除多阶微分示波计时电位信号中的噪音和背景，然后将误差反传神经网络用于示波测定。以对0.5 mol/L NH4Ac底液中Pb2+的浓度预测为例，试验了隐含层节点数、学习速率因子和动量因子对网络预测结果的影响。结果表明：该法基本上消除了由噪音、背景以及手工测量引入的误差，提高了测定的自动化程度。2．首次将反弹传播神经网络用于铜箔钝化液中铬的示波计时电位法测定。研究了铬的示波特性和测定的条件，探讨了网络层数和层结点数等参数对预测结果的影响。测得铜箔钝化液中铬浓度为7.383×10-3mol/L,平均回收率为103.2%，检测下限可达8.0×10-8mol/L。与误差反传神经网络相比，该法能较好地消除用反传神经网络训练时易出现的“过拟合”现象，提高了预测的准确度。3．二进小波神经网络由于结合了小波变换良好的时频局域化性质和神经网络的自学习功能，具有较强的逼近与容错能力。本文首次将二进小波神经网络用于Pb2+和In3+等多组分体系示波计时电位信号的非线性校正，获得了较高的训练速度和预测准确度。4．首次将具有数据压缩特性的小波变换与神经网络结合用于示波测定。研究了小波压缩次数及噪音对压缩结果的影响。对Pb2+的浓度预测结果表明：本法与其它网络方法相比较，预测准确度更高，网络训练速度最大可提高5倍。作者在攻读硕士学位期间已完成论文5篇。