本文以管式聚合反应为实验背景,主要研究了如何利用回声状态网络建立温度分布的神经网络模型。温度分布是聚合物分子量分布的重要辅助参数,研究其建模预测对实现分子量分布的间接测量有着实际应用意义。课题的主要内容安排如下：首先,本文阐述了回声状态网络的基本原理和选取其作为建模网络的原因。对温度分布作相应处理,完成回声状态网络的储备池参数设置后建立黑箱模型,并进行仿真实验。泛化结果表明黑箱模型能良好的拟合温度分布,这为后文利用已知信息构建灰箱模型奠定了基础。其次,基于部分已知的先验信息和机理知识,提出两种结构逼近灰箱建模方法,分别是基于系统特征团的灰箱建模方法和基于ESN结构优化的灰箱建模方法。第一种灰箱方法选取能反映对象特性的系统特征团,利用储备池内部线性、非线性元素可灵活组合的特点,将其广泛地分布于储备池节点中,使系统输入输出间的因果关系能得到更好的解释和说明,在物理结构上逼近对象。在此基础上,第二种灰箱方法考虑到特征团选取过程存在的问题,重新对先验信息做深层发掘,并结合逐步回归分析方法从中择优选取系统特征团,优化网络结构,构建能表征系统真实结构的灰箱模型。通过对比,发现第二种灰箱模型无论在建模精度和训练速度上均有了明显的提高。最后,在研究过程中发现温度沿管长方向呈现不同的变化及波动,因此提出了一种分段串联建模方法。将分布参数系统转为多个集中参数系统相串联的模型,对各段储备池参数区分设置。仿真结果表明模型达到了预期的建模精度,证明了该方法的有效性。本文的研究内容为如何基于部分先验信息建立聚合反应的温度分布模型提供了新的思路,对应用于其他类似的分布参数系统的测量与建模具有重要的借鉴作用。